## 以X光片判斷肺炎之研究 #### 組員：廖子閔 --- ## 研究動機 近年來covid-19襲捲全球，確診案例的增加，也讓醫院量能逐漸吃緊，為了降低醫院的負擔，一個好的且快速的檢測系統是很重要的。透過AI影像辨識，能為醫生進行最初的診斷，也能降低醫生的負擔。 --- ## 研究問題 * 透過CNN模型準確預測新冠肺炎及其他常見肺炎的案例。 * 將機器認為判斷肺炎的依據顯示出來。 * 將模型預測結果上傳雲端及建立資料庫管理。 --- ## 資料集 1. 資料集使用kaggle上的公開資料集 資料集大小由上往下分別為： 1. training: 4116 2. validation: 1028 3. testing: 1288  --- ## 訓練方法 1. transfer learning and fine tune model 2. learning rate 3. batch size and epochs --- ## transfer learning and fine tune model 我們利用pytorch上公開的參數，分為 * 不使用pytorch公開的參數，直接對隨機產生的模型訓練 * 使用pytorch參數但不鎖模型直接訓練 * 前$\frac{1}{5}$個epochs鎖定CNN模型，只針對fc層訓練 --- ## learning rate 透過調整learning rate來看是否能讓模型在同樣的訓練次數下，達到比較好的效果 * 統一使用0.01作為learning rate * 前$\frac{1}{5}$個epochs 使用0.01，而後續則使用$10^{-5}$作為learning rate * 前$\frac{1}{5}$個epochs 使用0.01，而後續則從$10^{-3}$，一路線性遞減至$10^{-6}$作為learning rate * 利用cosin decay來降低learning rate --- ## batch size and epochs 分別利用batch size = 32, 64及epochs=20, 30, 50來訓練模型，綜合以上的結果來測試模型的效率以及有無overfitting 或 underfitting --- ## 模型採用 透過比較不同的模型及訓練方法，試圖能找出一個能兼顧精度及效率的模型來搭建在app上 --- ## 模型比較 * ResNet50 * DenseNet121 * EfficientNet B7 * Unet --- ## 資料強化 比較有無資料強化是否影響模型的準確度，並嘗試找出最佳的資料強化 --- ## 雲端整合 1. 利用sqlite存取個人資訊，而圖片則存在本機硬碟中 2. 前端採用react作為開發 3. 後端使用express作為開發 4. 模型架在flask上自成一個api，與前後端獨立開來並架設在本機上 <center class=half> <img src=https://i.imgur.com/ykPJuM7.png width='200'> <img src=https://i.imgur.com/fVDWLp6.png width='200'> <img src=https://i.imgur.com/lWNJ9Dp.png width='200'> <img src=https://i.imgur.com/VbFqkvr.png width='200'> </center> --- ## 未來規劃 1. 完成整個模型的訓練 2. 架設app並進行測試 --- ## 報告到此結束謝謝大家  --- ## Reference [資料集](https://www.kaggle.com/datasets/prashant268/chest-xray-covid19-pneumonia) [成大研究](https://journal.iis.sinica.edu.tw/paper/1/200508-2.pdf?cd=C13CED2C5772C22C9)