kaggle挑战赛——阿尔兹海默症分类

今天将分享阿尔兹海默症病分类的完整实现过程，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、背景

该数据是从不同网站收集到的MRI数据，用来预测不同的阿尔兹海默症阶段。

二、数据

数据由MRI图像组成，数据分成训练集和测试集，数据集中有四类图像：轻度痴呆，中度痴呆，没有痴呆，非常轻度痴呆。下载数据请访问原文链接。

三、技术路线

3.1、数据分析

训练集和测试集数据一共有6400张，其中训练集中的轻度痴呆，中度痴呆，没有痴呆和非常轻度痴呆的例数分别是717，52，2560，1792，测试集中的轻度痴呆，中度痴呆，没有痴呆和非常轻度痴呆的例数分别是179，12，640，448。可以看到训练数据和测试数据中存在类别不平衡现象，其中轻度痴呆和中度痴呆的数据相比于其他类别是很少的。

3.2、方案尝试之4分类

A、将训练集按照9：1分成训练数据和验证数据，将轻度痴呆，中度痴呆，没有痴呆和非常轻度痴呆设置成标签为2，3，0，1标签数值，然后针对训练数据中的标签2和3的数据分别进行2倍和30倍的数据扩增（平移，旋转，翻转，缩放等）。

B、对所有的图像进行统一缩放处理，大小统一到224x224大小，图像归一化，用均值是0和方差是1的方式进行归一化。

C、网络采用的是VGG16网络结构，损失函数是交叉熵，学习率是0.001，droupout是0.5，epoch是20，batchsize是64。

D、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：

E、测试结果

混淆矩阵

分类指标

precision recall f1-score support

0.0 0.50 1.00 0.67 320

1.0 0.00 0.00 0.00 224

2.0 0.00 0.00 0.00 93

3.0 0.00 0.00 0.00 3

avg / total 0.25 0.50 0.33 640

3.3、方案尝试之2分类

A、由于轻度痴呆和中度痴呆数据比较少，所以将这两类数据与非常轻度痴呆的数据进行合并，与没有痴呆数据组成训练集和测试集，没有痴呆设置标签是0，其他类别标签是1，这样痴呆和非痴呆数据就平衡了。然后将训练集按照9：1分成训练数据，验证数据，这里就不采用数据增强策略。

B、对所有的图像进行统一缩放处理，大小统一到224x224大小，图像归一化，用均值是0和方差是1的方式进行归一化。

C、网络采用的是VGG16网络结构，损失函数是交叉熵，学习率是0.001，droupout是0.5，epoch是20，batchsize是64。

D、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：

E、测试结果

混淆矩阵

分类指标

precision recall f1-score support

0.0 0.90 0.88 0.89 640

1.0 0.88 0.91 0.89 639

avg / total 0.89 0.89 0.89 1279

3.4、方案尝试之2分类（训练数据和测试数据合并后再随机分成训练，验证和测试）

A、由于轻度痴呆和中度痴呆数据比较少，所以将这两类数据与非常轻度痴呆的数据进行合并，与没有痴呆数据组成训练集和测试集，没有痴呆设置标签是0，其他类别标签是1，这样痴呆和非痴呆数据就平衡了。然后将全部的训练集和测试集随机打乱，按照8：1：1分成训练数据，验证数据和测试数据，这里就不采用数据增强策略。

B、对所有的图像进行统一缩放处理，大小统一到224x224大小，图像归一化，用均值是0和方差是1的方式进行归一化。

C、网络采用的是VGG16网络结构，损失函数是交叉熵，学习率是0.001，droupout是0.5，epoch是20，batchsize是64。

D、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：

E、测试结果

混淆矩阵

分类指标

precision recall f1-score support

0.0 0.99 1.00 1.00 335

1.0 1.00 0.99 1.00 305

avg / total 1.00 1.00 1.00 640