dyb læring til påvisning af lungebetændelse fra røntgenbilleder
en ende til ende pipeline til lungebetændelse påvisning fra røntgenbilleder
sidder fast bag Betalingsvæggen? Klik her for at læse hele historien med min ven Link!risikoen for lungebetændelse er enorm for mange, især i udviklingslande, hvor milliarder står over for energifattigdom og er afhængige af forurenende former for energi. Den der vurderer, at over 4 millioner for tidlige dødsfald forekommer årligt fra husholdnings luftforureningsrelaterede sygdomme, herunder lungebetændelse. Over 150 millioner mennesker bliver smittet med lungebetændelse på årsbasis, især børn under 5 år. I sådanne regioner kan problemet forværres yderligere på grund af manglen på medicinske ressourcer og personale. For eksempel findes der i Afrikas 57 nationer et hul på 2,3 millioner læger og sygeplejersker. For disse populationer betyder præcis og hurtig diagnose alt. Det kan garantere rettidig adgang til behandling og spare meget tiltrængt tid og penge for dem, der allerede oplever fattigdom.
dette projekt er en del af brystet røntgenbilleder (lungebetændelse) afholdt på Kaggle.
Byg en algoritme til automatisk at identificere, om en patient lider af lungebetændelse eller ej ved at se på røntgenbilleder af brystet. Algoritmen skulle være ekstremt nøjagtig, fordi menneskers liv står på spil.
Miljø og værktøjer
scikit-lær
keras
numpy
pandaerne
matplotlib
Data
datasættet kan downloades fra kaggle hjemmeside, som kan findes her.
hvor er koden?
lad os komme i gang med koden uden meget ado. Det komplette projekt på github kan findes her.
lad os starte med at indlæse alle biblioteker og afhængigheder.
næste viste jeg nogle normale og lungebetændelsesbilleder for bare at se på, hvor meget forskellige de ser ud fra det blotte øje. Nå ikke meget!