我正在尝试使用 Kaggle 肺癌数据集构建肺癌检测系统。主要思想是使用非常深的神经网络，例如使用Inception模型。我正在考虑使用 Inception 模型，但似乎这不是一件容易的事。
Inception 和其他在 ImageNet 上训练的网络期望 2D RGB 图像作为输入。
因此我需要相应地调整我的数据。
这是我当前数据的形状
much_data = np.load('../../CT_SCAN_IMAGE_SET/muchdata-50-50-20.npy')
print ('Image 0',much_data[0][0].shape)
print ('Image 1',much_data[1][0].shape)
print ('Image 2',much_data[2][0].shape)
这是输出。
Image 0 (128, 512, 512)
Image 1 (133, 512, 512)
Image 2 (110, 512, 512)
举个例子， 图片 0 (128, 512, 512)
128 是患者肺部切片的数量，512,512 是每个切片的像素数。所以这是一个 3D 数组。
但是我发现了一个为 MNIST 数据集生成 Inception 模型的代码，其输入图像形状就像仅 (60000, 28, 28) 用于 60000 张图像的 28*28 像素数据。
任何人都可以建议我如何使用现有数据用于初始模型。 我需要将它们转换为二维数组吗？
或者我需要遵循的任何其他方法？
为什么要单独考虑患者？我的意思是，您可以将所有 3 名患者的所有图像插入到带有张量 (371,512,512) 的网络中。因为您的网络必须经过训练才能从每个图像中单独查找结节。此外，您还可以获取附加标签或仅获取标签来追踪与每位患者相关的图像。
为了优化肺癌检测，您需要在标记有癌性和非癌性区域的肺部图像数据集上微调模型。这涉及根据肺部图像的具体特征调整模型的权重。经过训练后，经过微调的 Inception 模型可用于以一定的准确度识别新肺部图像中的潜在癌变区域。
您正在寻找哮喘医生吗？现在就诊：- 斋浦尔的哮喘医生
您正在寻找肺癌治疗医生吗？现在就诊：- 斋浦尔的肺癌治疗
您正在寻找睡眠障碍治疗医生吗？立即就诊：- 斋浦尔的睡眠障碍治疗