kaggle挑战赛——肺炎分类及检测

今天将分享kaggle系列挑战赛之肺炎分类及肺炎区域检测的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、比赛介绍

对X光图像进行是否肺炎判断，并将有肺炎的区域标识出来。一共有26684张训练数据，3000张测试数据。

二、技术路线

A、判断是否有肺炎

1、加载csv文件，读取X光图像和对应类别标签值，统计正负样本比值：大约是1：3.5。

2、将所有标注数据分成9：1分成训练数据和验证数据，然后对训练数据中正样本进行2倍扩充，验证数据不扩充。

3、对所有的图像进行统一缩放处理，大小统一大小是256x256，图像归一化，用均值是0和方差是1的方式进行归一化。

4、网络采用的是VGG16网络结构，损失是交叉熵，学习率是0.001，droupout是0.5，epoch是20，batchsize是64。

5、训练结果

训练损失函数结果

训练精度函数结果

验证损失函数结果

验证精度函数结果

6、验证数据结果

通过上面曲线可以看到，随着训练的进行，训练结果越来越好，而验证数据却不是的，这说明出现过拟合现象，此时采用提早结束训练网络。将最后保存的网络权重用来对验证数据进行测试，并查看一下相关评价指标。

a、ROC曲线

b、ROC曲线面积——0.8289450000000002

c、混淆矩阵

d、其他评价指标

precision recall f1-score support

0.0 0.86 0.89 0.87 2000

1.0 0.58 0.52 0.55 600

avg / total 0.80 0.80 0.80 2600

B、标识肺炎区域

1、加载csv文件，读取X光图像和对应框的数值（左上点坐标和长宽数值），并将框生成区域实体框图像（使用opencv画框函数可实现该功能）。

2、将训练数据分成9：1分成网络训练数据和验证数据。

3、对所有的图像进行统一缩放处理，大小统一大小是256x256，图像归一化，用均值是0和方差是1的方式进行归一化。

4、网络采用的是VNet2d网络结构，损失是二值dice，学习率是0.001，droupout是0.5，epoch是20，batchsize是64。

5、训练结果

训练损失函数结果

训练精度函数结果

6、验证数据结果

下图是原始x光图像，左边是金标准图像，右边是预测结果。

为了方便大家更高效地学习，后期会将相关项目代码更新到github上，点击原文链接即可访问官方比赛网址，可以直接下载训练和测试数据。

如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。