OASIS 데이터를 사용하여, 치매 분류 모델 만들기
- 각자 두개골 제거 전처리 코드 작성 coronal, sagittal, transverse
- 기존 코드에서 디벨롭할 만한 부분을 정리하기
- CNN 모델 평가까지 틀 코드 조사해서 정리하기
1. 두개골 제거 전처리
기존 전처리 코드에서, 인코딩 전 이미지 파일을 기준으로 진행
제거 효과를 확실히 보기 위해서, transverse 데이터를 사용함
original, masked, stripped 세 가지로 나눠서 시각화
threshold를 조정해서, 두개골 부위 제거하려했으나 효과가 미미
2. CNN 모델링 및 학습
기존 전처리 코드에 이어서, CNN 모델링
coronal section 데이터를 사용해서 학습
113개로 데이터 갯수 부족으로 validation accuracy가 낮음
데이터 증강 방식이나 다른 데이터를 추가로 사용할 필요가 있을 듯
- CNN 모델 설계 및 하이퍼파라미터 조정
- Transverse 두개골 제거 여부에 따른 정확도 비교
- 추가 데이터 확보
- data 2, 3에서 가져오기
- 데이터 증강(augmentation) 방향 논의
1. 라벨링 문제
전체 라벨 223개인데 coronal, sagittal 212개, transverse 213개로 개수가 맞지 않음
따라서 preprocessing_1006.ipynb 파일에 각 섹션별 라벨을 만들고 파일로 저장하는 코드를 추가함
이후 각 섹션별 이미지와 라벨 개수가 일치하는 것을 확인
섹션별 라벨 생성 후 모델 학습하니, 같은 모델임에도 정확도가 잘 나오지 않는 문제 발생
2. 두개골 제거에 따른 정확도
또한 공유 받은 두개골 제거 코드를 적용하여 각 섹션 별로 이미지를 출력했을 때
효과가 가장 좋은 sagittal에서 상대적으로 높은 정확도를 보임
transverse의 경우 raw, stripping, masked (oasis에서 가공된 것)에서
stripping의 정확도가 가장 높았으나, val_loss 값이 지나치게 커서 재확인이 필요함
3. 데이터 증강
ImageDataGenerator를 사용해서 데이터 증강
증강 적용하여 학습하였으나, 증강 없이 진행한 버전과 유의미한 차이를 보이지 못함
섹션에 따라 다를 수 있으므로 재확인이 필요함
# 데이터 증강
datagen = ImageDataGenerator(
rotation_range=20, # 회전
width_shift_range=0.1, # 수평 이동
height_shift_range=0.1, # 수직 이동
shear_range=0.1, # 전단 변환
zoom_range=0.1, # 확대/축소
horizontal_flip=True, # 수평 반전
brightness_range=[0.9, 1.1] # 밝기 조정
)
4. 참고하면 좋을 것 같은 캐글
- 기존 데이터로 다른 모델 추가로 돌려보기
- kaggle data로 다중 분류 모델 추가하기
1. 추가 코드 수정 관련 저번 회차에서 돌렸던 EfficientNet이나 vgg16 관련해서
EffNet.trainable = True
trainable =true위 처럼 설정하면 잘 터지고 무거움
GPU 말고 CPU로 사용했을 때 배치 사이즈 32까지 문제 없었음 (128은 메모리 부족 이슈)
**2. 이진 분류모델 validation accuracy의 한계 **
기존 데이터로 학습했을 때 최대 validation accuracy는 0.75까지 나옴
이진 모델 특성상 데이터 자체가 부족한 상황에서 validation accuracy를 늘리기 어려움
SMOTE로 증강해보는 건 어떨지 제안
3. Batch size와 Validation Accuarcy 관계
validation accuracy가 높게 나온 모델의 경우 batch size가 128로 엄청 나게 컸음
그대신 epoch가 15 정도로 작아서 총 소요 시간은 27분 정도
이진 분류 모델 개선 시 batchsize를 더 늘리고 epoch를 줄이는 방식을 추가 도입해볼 것을 제안
다른 파라미터도 위 모델과 유사하게 진행해보고 다중 분류 모델과 비교하는 방식을 채택해도 좋을 것 같음