CNN 模型检测脑肿瘤的 Val_accuracy 保持不变；我认为我增强数据和预处理的方式是错误的

Question

我使用的数据集是https://www.kaggle.com/clarksaben/ct-head-scans

def augment_data(image):
    images = [image]
    for i in range(6):
        transform = A.Compose([
        A.Resize(256, 256), 
        A.RandomCrop(224, 224),
        A.OneOf([A.HorizontalFlip(p=1),
                 A.RandomRotate90(p=1),
                 A.VerticalFlip(p=1),
                 A.Blur(),
                 A.RandomBrightnessContrast(p=1)], p = 1),
        A.OneOf([A.MotionBlur(p=1),
                 A.OpticalDistortion(p=1),
                 A.GaussNoise(p=1),
                 A.RandomGamma(p=1),
                 A.CLAHE(p=1)], p=1),
        ])
        transformed_image = transform(image = image)
        images.append(transformed_image['image'])
    return images

def load_data(data):
    paths = ['../input/ct-head-scans/' + x for x in data['ID']]
    images = []
    for path in paths:
        if path.find('gaus') == -1 and path.find('elastic') == -1 and path.find('contrast') == -1 and path.find('gamma') == -1 and path.find('clahe') == -1 and path.find('blur') == -1:
            image = cv2.imread(path, 0)
            image = cv2.bilateralFilter(image, 2, 50, 50)
            augmented = augment_data(image)
            for aImage in augmented:
                img_data = aImage.astype('float32')
        
                img_data = cv2.resize(img_data,(256,256)) / 255
                img_data = img_data.reshape((256,256,1))
                images.append(img_data)
    return images, data['Tumor Present']

def define_model():
    model = Sequential()
    model.add(Conv2D(16, (5, 5), activation = 'relu', input_shape=(256, 256, 1)))
    model.add(Dropout(0.5))
    model.add(MaxPooling2D(2, 2))
    model.add(Conv2D(16, (5, 5), activation = 'relu'))
    model.add(MaxPooling2D(2, 2))
    model.add(Conv2D(32, (5, 5), activation = 'relu'))
    model.add(MaxPooling2D(2, 2))
    model.add(Conv2D(32, (5, 5), activation = 'relu'))
    model.add(MaxPooling2D(2, 2))
    model.add(Conv2D(64, (5, 5), activation = 'relu'))
    model.add(MaxPooling2D(2, 2))
    model.add(Flatten())
    model.add(Dense(10, activation='sigmoid'))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Flatten())
    model.add(Dense(1, activation='sigmoid'))
    model.add(Flatten())
    opt = tf.keras.optimizers.Adam(learning_rate=0.001)
    model.compile(optimizer=opt, loss='binary_crossentropy', metrics=['accuracy'])
    return model

我一直在尝试添加新图层并切换参数，但似乎没有任何效果。我相信问题可能是我增强数据和进行预处理的方式，但我不确定如何改进这一点。实施示例会很棒！

Answer 1

从数据集，我可以看到，

• 对照组有30个样本
• 坏死有22个样本
• 肿瘤有31个样本

您需要训练的数据量非常少，因此模型预计会过度拟合。即使在增强和应用 dropout 层之后，可用数据的数量仍然太少，模型无法学习图像中的底层特征。

解决这个问题的一种可能方法是迁移学习。 （在互联网上）搜索经过训练可对 CT 扫描进行分类的模型，然后提取用于提取特征的模型部分，并使用它对数据集执行迁移学习。模型类型的一个例子是我在 kaggle 上做的一个：脑肿瘤分类（准确度~96%）

如果这些都不起作用，您可以在 CT 扫描图像上训练自动编码器（您可以从 kaggle 获取），然后使用自动编码器的编码器部分对您的数据集执行迁移学习

Answer 2

您获取的数据集包含少量数据，您可以在其上应用 CNN 模型，因此它预计会过度拟合并给出相同的精度。您可以使用其他适合少量数据集的算法，例如：随机森林、支持向量机（SVM）。如果您只想处理此数据集，请尝试使您自己的模型与 kaggle 用户不同。