DNN are known to produce good quality prediction in many area. But DNN are also known to produces errors with a high confidence (few indices of possible mistakes). The projects aims to study solutions to produce a good quality confidence estimation of the produced outcome.
The data set used will be: prostatex.grand-challenge.org
Prediction confidence for DNN classification of medical images
- Status: open
- Priority: 0
- Reference: LANGLET Maxime <Maxime.Langlet@ulb.be>
- Public link
- Back to the board
- Swimlane: 2020-2021
- Column: DONE
- Position: 20
- Assignee: Olivier Debeir
- Creator: Olivier Debeir
- Started: 01/10/2020 00:00
- Created: 16/09/2020 15:40
- Modified: 06/07/2021 13:55
- Moved: 06/07/2021 13:55
Description
Sub-Tasks
Internal links
| This task duplicates (1) | Assignee | Time tracking |
|---|---|---|
| #1149 Prediction confidence for DNN classification of medical images (projet IMAGERIE published - Draft) | Olivier Debeir |
multiple files and images
DW images
ADC maps
screenshots
classif gleason >7
large dataset
LANGLET Maxime
12:07 PM (4 hours ago)
to DEBEIR
Bonjour Mr.,
Malheureusement aujourd’hui je ne pourrai assister à la conférence à cause d’une séance d’information des stages donnés en même temps.
La semaine passée j’ai présenté mon projet lors de la conférence, celui-ci est la classification d’image de la prostate. J’ai cependant un peu avancé depuis et j’en suis à implémenter un premier jet de CNN. J’ai trouver un CNN permettant de classifier des chats et des chiens que j ’ai ensuite adapté à mon problème.
J’ai de même essayer de faire un peu de data augmentation. Pour régler le problème de déséquilibre entre les 2 classifications, plus précisément j’ai environ 70cas où la zone d’intérêt est true comparativement à 250 ou la zone est false, j’ai pris des copies de la même image mais où la fenêtre de découpe est légèrement décalée, 5 pixel par axe et la fenêtre est 40x40. J’espère que cette méthode est une bonne intuition et qu’elle n’apporte pas d’autre problème comme le surentrainement du modèle sur les images d’entraînements. De plus pour chacune de mes images j’ai effectuer un « flip » de l’axe x, effet miroir par rapport à l’axe x. Et j’ai de plus introduit des images ayant leur luminosité diminuée.
De cette manière, j’ai une base de données passant de 331 images à 1446, et avec presque autant de true que de false. J’ai diviser cette base de données en 1100 images d’entraînement, et du coup le reste pour tester le modèle.
Cependant, en évaluant mon modèle sur les images de test, alors que la précision me donne environ 71% ,je me rends compte que la valeur « Loss », le coût si je ne me trompe pas, me parait élever. J’ai un coût de 0,738, alors que pendant l’entraînement, le dernier epoch me donne une précision de 92% et un loss de 0.2135. Comparativement, à l’epoch 5, j’obtiens une précision de 72% et un loss de 0.5369.
Évidemment, le modèle en lui même est à revoir, je n’ai pas encore fait de recherches profondes sur ce sujet. Mais c’est pour savoir si premièrement mon intuition pour la data augmentation est correcte et si ceci n’influence pas le reste.
Cordialement,
Maxime Langlet
prob: trouver un modèle
https://arxiv.org/pdf/1610.02391.pdf
75% prédiction ?? à préciser
data augmentation
équilibrage des classes
décentrage
flip
data augmentation : rotation -15° +15°
problème: le réseau a du mal à avoir une meilleure performance que 60%
training: 740+/640-
ajouter, des concs
enlever le dropout
sortir sur 2 neurone + softmax
favoriser les relus
la sigmoide ralenti la convergence
pq pas fully conv