科大訊飛：腦PET疾病預測 baseline

賽題名稱：腦PET疾病預測挑戰賽

賽題類型：計算機視覺、圖像分類

賽題報名鏈接?：https://challenge.xfyun.cn/topic/info?type=pet-2023&ch=vWxQGFU

賽題背景

腦PET全稱為(wei) 腦部正電子發射計算機斷層顯像(brain positron emission tomography PET)，是反映腦部病變的基因、分子、代謝及功能狀態的顯像。它是利用正電子核素標記葡萄糖等人體(ti) 代謝物作為(wei) 顯像劑，通過病灶對顯像劑的攝取來反映其代謝變化，從(cong) 而為(wei) 臨(lin) 床提供疾病的生物代謝信息，為(wei) 腦癲癇病、腦腫瘤、帕金森病、阿爾茨海默綜合征等提供了有效的檢測手段。

可利用腦PET圖像檢測出輕度認知障礙病灶，並提前介入治療，從(cong) 而延緩發病，對後續患者康複治療有著積極的意義(yi) 。因此本賽題以輕度認知障礙為(wei) 例對腦PET圖像進行分析與(yu) 疾病預測。

賽事任務

為(wei) 研究基於(yu) 腦PET圖像的疾病預測，本次大賽提供了海量腦PET數據集作為(wei) 腦PET圖像檢測數據庫的訓練樣本，參賽者需根據提供的樣本構建模型，對輕度認知障礙進行分析和預測。

腦PET圖像檢測數據庫，記錄了老年人受試誌願者的腦PET影像資料，其中包括確診為(wei) 輕度認知障礙（MCI）患者的腦部影像數據和健康人（NC）的腦部影像數據。

被試者按醫學診斷分為(wei) 兩(liang) 類：

• NC：健康
• MCI：輕度認知障礙

賽題數據

本次大賽所用腦PET圖像檢測數據庫，圖像格式為(wei) nii。

評估指標

本次競賽的評價(jia) 標準采用F1_score，分數越高，效果越好。

解題思路

賽題是一個(ge) 典型的圖像分類的比賽，但需要單獨的對數據格式進行讀取，並進行數據增強。

步驟0：讀取圖片

import nibabel as nib from nibabel.viewers import OrthoSlicer3D

train_path = glob.glob('./腦PET圖像分析和疾病預測挑戰賽公開數據/Train/*/*')
test_path = glob.glob('./腦PET圖像分析和疾病預測挑戰賽公開數據/Test/*')

np.random.shuffle(train_path)
np.random.shuffle(test_path)

for path in train_path:
img = nib.load(path) print(path, img.dataobj[:, :, :, 0].shape)

步驟1：定義模型

class XunFeiNet(nn.Module):     def __init__(self):         super(XunFeiNet, self).__init__()                          model = models.resnet18(True)         model.avgpool = nn.AdaptiveAvgPool2d(1)         model.fc = nn.Linear(512, 9)         self.resnet = model              def forward(self, img):                 out = self.resnet(img) return out

步驟2：模型訓練

def train(train_loader, model, criterion, optimizer):
    model.train()
    train_loss = 0.0 for i, (input, target) in enumerate(train_loader):
        input = input.cuda(non_blocking=True)
        target = target.cuda(non_blocking=True)

# compute output output = model(input)
loss = criterion(output, target)

# compute gradient and do SGD step optimizer.zero_grad()
loss.backward()
optimizer.step()

if i % 20 == 0: print('Train loss', loss.item())
train_loss += loss.item() return train_loss/len(train_loader)

步驟3：模型預測

def predict(test_loader, model, criterion):
    model.eval()
    val_acc = 0.0
    
    test_pred = []
    with torch.no_grad():
        end = time.time() for i, (input, target) in enumerate(test_loader):
            input = input.cuda()
            target = target.cuda()

# compute output output = model(input)
test_pred.append(output.data.cpu().numpy()) return np.vstack(test_pred)

方案開源地址：

https://github.com/datawhalechina/competition-baseline/tree/master/competition/%E7%A7%91%E5%A4%A7%E8%AE%AF%E9%A3%9EAI%E5%BC%80%E5%8F%91%E8%80%85%E5%A4%A7%E8%B5%9B2023