OCT_ChestX-Ray2017——OCT眼底疾病分类和X-Ray疾病分类

今天将分享OCT眼底疾病分类和X-Ray疾病分类完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、OCT_ChestX-Ray2017介绍

视网膜光学相干断层扫描(OCT)是一种成像技术，用于捕获活体患者视网膜的高分辨率横截面。每年大约进行3000万次OCT扫描，对这些图像的分析和解释占用了大量时间。OCT被眼科医生大量使用以获得眼睛视网膜的高分辨率图像，同时也可用于诊断许多视网膜相关的眼病，因此OCT图像对医学图像处理任务中十分重要。

脉络膜新生血管(CNV)，具有新生血管膜(白色箭头)和相关的视网膜下液(箭头)；糖尿病性黄斑水肿(DME)与视网膜增厚相关的视网膜内液(箭头)；早期AMD，存在多个玻璃疣(箭头)；具有保留的中心凹轮廓且没有任何视网膜液及水肿的正常视网膜(NORMAL)。它提供了大量高质量、标记明确的OCT图像，对于医学图像分析领域，特别是与视网膜病变相关的模型的训练和测试有着极高的价值。图像的详细分类和标记使得可以进行具体和细致的分析，使这个数据集成为开发和测试用于诊断和区分不同视网膜病变的算法的强大工具。这将推动眼科人工智能的发展，有可能提高临床环境中的诊断准确性和效率。

二、OCT_ChestX-Ray2017任务

OCT分类：CNV、DME、DRUSEN和NORMAL

X-Ray分类：NORMAL和PNEUMONIA

三、OCT_ChestX-Ray2017数据集

OCT 2017 数据集包含84484张视网膜光学相干断层扫描(OCT)图像，所有图像均标记为疾病类型-患者ID-该患者的图像编号。

ChestX-Ray2017数据包含5856张X-Ray图像，所有图像均标记为疾病类型-患者ID-该患者的图像编号。

数据下载：

https://data.mendeley.com/datasets/rscbjbr9sj/3

四、技术路线

任务一、OCT眼底疾病分类

1、将图像缩放到固定大小512x512，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用交叉熵。

3、训练结果和验证结果

4、验证集分类结果

5、测试集分类结果

任务二、x_ray疾病分类

1、将图像缩放到固定大小512x512，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用交叉熵。

3、训练结果和验证结果

4、验证集分类结果

5、测试集分类结果