Chest XR COVID-19 detection分类挑战赛之Focalloss

上一篇分享了基础版本的肺炎分类案例，今天将分享新冠肺炎，病毒肺炎，无肺炎的三分类基于Focalloss的完整实现过程，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、比赛介绍

2019年冠状病毒病 (COVID-19) 已在全球蔓延，并在全球范围内造成了前所未有的破坏。该比赛数据是由多家医院和卫生专业人员共享了来自多种模式的 COVID-19 图像。此挑战旨在开发一种能够在胸部 X 射线图像中检测 COVID-19 的多类分类算法。

该数据集包含3个图像类别：COVID-19、肺炎和正常（健康）。通过 20,000 多张图像，参与者可以训练算法来解决这一挑战。后面将发布一个测试集，此数据用于测试评估。

二、数据介绍

该数据集包含 20,000 多张3 类别的图像数据：COVID-19、肺炎和正常（健康）。数据分为训练集和验证集，可用于开发和调整检测/分类算法。后面将发布一个测试集，其中包含一组要归入 3 个类别之一的图像。将提供一个示例提交文件。参与者需要使用与示例提交文件相同的格式将他们的分类结果提交。

训练集和验证集：17,955 张CXR图像和3,430张CXR图像。

数据集下载链接：

https://cxr-covid19.grand-challenge.org/Download/。

评估三个标准：准确度（accuracy）、灵敏度（sensitivity）和特异性（specifity）。

三、技术路线

1、下载好数据集后，数据已经分配好训练集和验证集，读取X光图像并生成对应标签值，正常是标签0，COVID-19是标签1，肺炎是标签2，并生成训练集和验证集。

2、对所有的图像进行统一缩放处理，大小统一大小是256x256，图像归一化，采用均值是0和方差是1的方式进行归一化。

3、网络采用的是VGG16网络结构，损失函数是多类别Focalloss，alpha设置比例都是1：1：1，gama参数设置成4，学习率是0.001，droupout是0.5，epoch是20，batchsize是64.

4、训练结果

训练损失函数结果

训练精度函数结果

验证损失函数结果

验证精度函数结果

四、验证数据结果

三组ROC曲线及数值

标签0与其他标签ROC曲线

标签1与其他标签ROC曲线

标签2与其他标签ROC曲线

混淆矩阵

分类指标

precision recall f1-score support

0.0 0.85 0.95 0.90 1000

1.0 0.99 0.97 0.98 1432

2.0 0.92 0.83 0.87 1000

avg / total 0.93 0.93 0.93 3432

相比前一篇交叉熵的结果，Chest XR COVID-19 detection分类挑战赛，recall和f1-score结果还是提升了1%的，而且三类的ROC都有一定提高。

如果有任何问题，随时给我留言我会及时回复的。