利用機器學習分析圖像異常

林鈺琳、黃筱晴

摘要

本研究利用殘差學習網路（Simplenet）、EfficientNet、及自編碼器（Autoencoder）分析Ｘ光影像（MURA-v1.1）是否異常及異常區域，提供快速且正確的初步醫療影像診斷，以提升醫療效能。

研究目的

  1. 利用 Python 中 Torch 模型建立殘差學習網路，進行圖像異常檢測。
  2. 利用自編碼器進行圖像異常檢測
  3. 利用 EfficientNet 以分類方式分類異常及正常圖片。
  4. 將異常資料分級，並提供使用者異常狀況的等級。

研究過程與方法

  1. 使用 SimpleNet 偵測圖像異常
    將 MURA 與 MVTec（生產鏈產品圖片）資料集統一進行預處理再訓練，模型評估是使用混淆矩陣中的 AUROC。
  2. 使用 EfficientNet 分類圖像
    我們使用 EffficientNetB0 作為模型，並訓練預處理過後的 MURA 資料集，依據它分類結果計算準確率。
  3. 利用自編碼器進行圖像異常檢測
  4. 使用 Autoencoder 偵測圖像異常，重建誤差超過閾值極為異常
    將資料預處理後，導入自編碼器使其壓縮並重建，重建後的圖像與原圖像的差距為重建誤差。

研究成果與展望

EfficientNet 模型訓練準確率高達 0.9 以上，因此我們推論因為異常的影像佔比已經接近一般分類問題，使用分類方法最適合。未來希望可以將本研究投入醫療診斷，輔助醫生判斷個案情況、增加可標示出異常位置的功能、與進行嚴重度分級。

Back