機器學習的生醫應用
===
###### tags: `GDG on Campus FCU`
講師：Charlie Chang
日期：2024/12/24
課程影片：
{%youtube v9gyCq48mwM %}
## Colab 環境設置
#### Colab
Colab的優勢：免費使用GPU資源、便於共享和協作、即時執行代碼。
#### Colab 環境設置步驟
1.登錄Google帳戶，創建新的Colab筆記本。
2.設置執行環境，選擇Python版本（建議使用Python 3）。
#### 資料集下載
示例代碼：
`!wget <資料集鏈接> # 下載資料集`
使用`files.upload()`上傳本地檔案
## 影像
#### 影像類型
包括MRI影像、CT影像、X光影像等。
#### 影像特性
解析度：影像的寬度和高度（如512x512像素）。
色彩深度：每個像素的顏色信息（如8位、16位灰階）。
MRI影像的特性：信號強度的範圍和解釋，通常在0到255之間。
#### 影像處理過程
##### 讀取影像檔案
如何使用Colab讀取影像檔案，設置檔案路徑。
`from PIL import Image`
`img = Image.open('path/to/image.jpg') # 讀取影像`
`img.show() # 顯示影像`
##### 使用PIL和NumPy
示例代碼：載入影像並轉換為數字數組。
`import numpy as np`
`img_array = np.array(img) # 將影像轉為數字數組`
##### 特殊值處理
處理影像中的特殊值，比如缺失值或極端值的替換方法。
使用NumPy處理缺失值：
`img_array[img_array > threshold] = 0 # 將高於閾值的像素設為0`
#### 影像數據特性分析
##### 數據篩選方法
篩選影像中的異常區域，利用不同的過濾技術（如高通過濾器、低通過濾器）。
示例代碼：
`from scipy.ndimage import gaussian_filter`
`filtered_img = gaussian_filter(img_array, sigma=1) # 使用高斯濾波`
#### 影像處理技術
##### 影像處理實作
內容包括：影像裁剪、旋轉、調整大小等。
示例代碼：
`img_cropped = img.crop((left, upper, right, lower)) # 裁剪影像`
`img_resized = img.resize((new_width, new_height)) # 調整影像大小`
##### 數據正規化
將影像數據正規化到0-1範圍內，以便於後續處理。
示例代碼：
`img_normalized = img_array / 255.0 # 將數據正規化`
##### 門檻值設定
選擇適當的門檻值以便識別影像中的關鍵特徵。
可使用Otsu法進行自動門檻值計算。
#### 線性回歸
##### 基本概念
線性回歸的定義：一種預測模型，用於描述兩個或多個變量之間的線性關係。
線性回歸在生醫數據分析中的應用，例如預測病人的健康指標。
##### 實作工具
使用Scikit-Learn庫進行線性回歸的實作。
示例代碼：
`from sklearn.linear_model import LinearRegression`
`model = LinearRegression()`
`model.fit(X_train, y_train) # 訓練模型`
##### 數學模型
線性回歸的基本方程式：( y = mx + b )，其中( m )為斜率，( b )為截距。
提供不同變量之間的關係示例。
#### 損失函數
##### 損失函數概念
損失函數：用於衡量模型預測值與實際值之間的差距。
均方誤差（MSE）為損失函數的常見選擇。
##### 實作示範
`from sklearn.metrics import mean_squared_error`
`mse = mean_squared_error(y_test, model.predict(X_test)`
#### 參數優化
##### 初始參數設置
初始參數的設置（如 ` \theta_0` 和` \theta_1 `），目的是找到理想的超平面。
設置初始值（如0與3），並對資料進行4000次迭代。
##### 迭代過程
透過迭代不斷調整參數，以最小化損失函數。
最終的學習結果顯示，通過使用Scikit-Learn庫獲得的結果與手動計算的結果一致。
##### 參數更新觀察
參數（如 ` \Sigma_0 ` 和 ` \Sigma_1 `）在每次迭代中的更新過程顯示，隨著迭代次數的增加，參數的值逐漸降低，顯示出模型的優化。