CT数据集分类实验

数据预处理

直接使用nii.gz文件，在最开始时，内存中直接先预处理和加载

import yaml
from monai.transforms import (
    Compose,
    LoadImaged,
    EnsureChannelFirstd,
    Orientationd,
    Spacingd,
    ScaleIntensityRanged,
    CropForegroundd,
    Resized,
    RandFlipd,
    RandRotate90d,
    RandShiftIntensityd,
    RandGaussianNoised,
    EnsureTyped
)

config_path = "config/config.yaml"
with open(config_path, 'r', encoding='utf-8') as f:
    config = yaml.safe_load(f)

# 目标空间尺寸，例如 [128, 128, 128]
target_size = config['transforms']['resize']['spatial_size']

# --- 训练集数据增强 ---
train_transforms = Compose(
    [
        # 1. 只加载 image 路径，label 保持为整数
        LoadImaged(keys=["image"]),
        EnsureChannelFirstd(keys=["image"]),

        # 2. 空间归一化 (仅作用于 image)
        Orientationd(keys=["image"], axcodes="RAS"),
        Spacingd(
            keys=["image"],
            pixdim=config['transforms']['spacing']['pixdim'],
            mode=config['transforms']['spacing']['mode'],
        ),

        # 3. 数值归一化 (针对 CT 值范围)
        ScaleIntensityRanged(
            keys=["image"],
            a_min=config['transforms']['scale_intensity']['a_min'],
            a_max=config['transforms']['scale_intensity']['a_max'],
            b_min=config['transforms']['scale_intensity']['b_min'],
            b_max=config['transforms']['scale_intensity']['b_max'],
            clip=config['transforms']['scale_intensity']['clip'],
        ),

        # 4. 自动剪切背景（以图像本身非0区域为基准）
        CropForegroundd(keys=["image"], source_key="image"),

        # 6. 分类常用的数据增强 (仅 image)
        RandFlipd(keys=["image"], spatial_axis=[0], prob=0.5),
        RandFlipd(keys=["image"], spatial_axis=[1], prob=0.5),
        RandFlipd(keys=["image"], spatial_axis=[2], prob=0.5),
        RandRotate90d(keys=["image"], prob=0.5, max_k=4),

        # 5. 统一缩放到 ResNet 输入尺寸
        Resized(keys=["image"], spatial_size=target_size),

        # 强度增强
        RandShiftIntensityd(
            keys=["image"],
            offsets=config['transforms']['rand_shift_intensity']['offsets'],
            prob=config['transforms']['rand_shift_intensity']['prob'],
        ),
        # 推荐增加：随机高斯噪声，提升分类鲁棒性
        RandGaussianNoised(keys=["image"], prob=0.1, mean=0.0, std=0.1),

        # 7. 转换为 Tensor 格式供网络训练
        EnsureTyped(keys=["image", "label"]),
    ]
)

# --- 验证集数据预处理 ---
val_transforms = Compose(
    [
        LoadImaged(keys=["image"]),
        EnsureChannelFirstd(keys=["image"]),
        Orientationd(keys=["image"], axcodes="RAS"),
        Spacingd(
            keys=["image"],
            pixdim=config['transforms']['spacing']['pixdim'],
            mode=config['transforms']['spacing']['mode'],
        ),
        ScaleIntensityRanged(
            keys=["image"],
            a_min=config['transforms']['scale_intensity']['a_min'],
            a_max=config['transforms']['scale_intensity']['a_max'],
            b_min=config['transforms']['scale_intensity']['b_min'],
            b_max=config['transforms']['scale_intensity']['b_max'],
            clip=config['transforms']['scale_intensity']['clip'],
        ),
        CropForegroundd(keys=["image"], source_key="image"),
        Resized(keys=["image"], spatial_size=target_size),
        EnsureTyped(keys=["image", "label"]),
    ]
)

实验

先使用resnet18

exp	acc	auc	ppv	npv	rec	spec
exp_260311-1405	0.9241	0.5342	0.0	0.9241	0.0	1.0
exp_260311-1417	0.9241	0.6027	0.0	0.9241	0.0	1.0

数据很不平衡，使用focal试试

exp	acc	auc	ppv	npv	rec	spec
exp_260311-1431	0.9241	0.7717	0.0	0.9241	0.0	1.0

增加CA和CAC

在分类的时候增加分割完成后的CA数据和CAC数据作为输入，一起进行分类

exp	acc	auc	ppv	npv	rec	spec
exp_260313-1321

重新划分了训练集和数据集,所有正样例在训练和测试中为8:2

重新处理数据，新的CA和CAC

增加临床数据

在分类的时候增加分割完成后的CA数据和CAC数据作为输入，一起进行分类

exp	acc	auc	ppv	npv	rec	spec
exp_260314-1435	0.9114	0.5933	0.0	0.9114	0.0	1.0

使用pred分类

exp	acc	auc	ppv	npv	rec	spec
exp_260315-0257	0.9114	0.6310	0.0	0.9114	0.0	1.0

降低阴性比例为140 (正负比例1：4) 使用pred分类

exp	acc	auc	ppv	npv	rec	spec
exp_260315-0316	0.9429	0.9745	1.0000	0.9333	0.7143	1.0000

降低阴性比例为175 (正负比例1：5) 使用pred分类

exp	acc	auc	ppv	npv	rec	spec
exp_260315-0512	0.8810	0.9347	0.7500	0.8947	0.4286	0.9714

改为五折

exp	fold	acc	auc	ppv	npv	rec	spec
exp_260413-0815	0	0.8333	0.9306	0.5000	0.9118	0.5714	0.8857
exp_260414-0603	1	0.8571	0.6898	1.0000	0.8537	0.1429	1.0000
exp_260413-1143	2	0.8810	0.9510	1.0000	0.8750	0.2857	1.0000
exp_260413-1312	3	0.9048	0.7510	0.8000	0.9189	0.5714	0.9714
exp_260414-0247	4	0.9286	0.7878	1.0000	0.9211	0.5714	1.0000
mean±std		0.8810	0.8220	0.8600	0.8961	0.4286	0.9714

新的数据

其他医院

img + CA + CAC + 临床文本

exp	acc	auc	ppv	npv	rec	spec
exp_260328-1752	0.8214	0.7688	0.8261	0.8000	0.9500	0.5000

img + CA + CAC

exp	acc	auc	ppv	npv	rec	spec
exp_260328-2110	0.7143	0.7188	0.7143	0.0	1.0	0.0

华西的

img + CA + CAC + 临床文本

exp	acc	auc	ppv	npv	rec	spec
exp_260409-1755	0.7328	0.6619	0.7328	0	1	0
exp_260410-1453	0.6957	0.6776	0.6957	0	1	0
exp_260410-1558	0.7381	0.8554	0.6923	0.8125	0.8571	0.6190

华西的部分做训练，部分做验证，其他医院全部为验证，减少临床文本 只保留标绿的列

exp	acc	auc	ppv	npv	rec	spec
exp_260412-1536	0.6524	0.6503	0.6524	0	1	0
exp_260414-1929	0.6524	0.6683	0.6524	0	1	0

使用新标签Bad_valve_performance

exp	acc	auc	ppv	npv	rec	spec
exp_	out1