Luna16——肺结节检测和良恶性分类挑战赛（三）

今天我分享肺结节良恶性分类的例子。分类网络现在是比较成熟的网络，而且有很多性能很好的网络模型。我采用改进版的VGG网络来实现良恶性分类。

1、肺结节良恶性分类数据

在前面的文章中已经分享了如何去准备良恶性分类数据了。一般在分类任务中，每一个类别至少要5000例标注样本时深度学习网络模型才能达到可以接受的性能。1351例肺结节数据扩充后有55391例，549714非肺结节数据随机采样后有110000个，将两类数据合在一起并随机打乱，选择80%的数据（11万多）用来训练分类网络，20%的数据（3万）用来测试分类网络性能。

2、肺结节良恶性分类网络模型

• 肺结节良恶性分类网络结构如下图所示。

• 所有的Conv层采用3x3x3大小的卷积核；
• Pooling层采用的是3dMaxPooling层；
• FC层是全连接层，第一个FC采用Relu激活函数，第二个FC采用的是softmax激活函数；
• 为了防止训练过程中梯度消失现象，还采用了残差连接；
• 参数设置：学习率是0.001，batchsize是32，epoches是5；
• 损失函数：采用交叉熵函数，

3、模型结果分析

• 肺结节良恶性分类训练过程——损失函数变化

• 肺结节良恶性分类训练过程——精度函数变化

• 红色线是首次训练，蓝色线是接着首次训练结果继续训练。
• 在测试数据上进行预测，输出类别标签和类别概率。
• 用ROC曲线和混淆矩阵来直观分析分类模型性能，ROC曲线下面积是0.99946416449。

• 混淆矩阵

• 评价指标

• 通过对混淆矩阵分析，分类器整体准确率是98.73%，假阳率是1.718%，漏检率是0.394%。

至此所有的Luna16的内容已经全部分享给大家了。为了大家更好的学习，我把整个项目代码分享到github上：

https://github.com/junqiangchen/LUNA16-Lung-Nodule-Analysis-2016-Challenge

因原始数据很大，处理完的数据也是非常庞大，就不放到百度网盘上，只把训练好的模型分享给大家吧，地址：

https://pan.baidu.com/s/1fbb32NaVlrWWdEttWHP0bw，密码：

9y42

如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果碰到任何问题，随时留言，我会尽量去回答的。