脑PET图像分析和疾病预测挑战赛baseline——结果可达0.76左右——科大讯飞2020年度开发者大赛

大赛网址：http://challenge.xfyun.cn/topic/info?type=PET

赛事说明及要求请查看上面网址。数据下载需要实名认证，这里提供[百度网盘下载地址] （提取码：4hz2）。

赛题数据

赛题数据分训练集和测试集。

• 训练集分CN和AD两种类别的图像，每个类别一个文件夹共1千张，因此训练集共2千张图像。
• 测试集有1千张图像，当然是没有标签的，需要我们训练模型预测是AD还是CN，结果以CSV形式提交。大赛网站提供了提交模板。

      

  

  

可以发现训练集中图像尺寸各不一样，为了清楚地了解图像中都有哪些尺寸，可使用如下代码进行遍历：

import cv2
import glob

train_image_path = glob.glob(r"data\train\*\*.png")
sizeSet = set()

for i in train_image_path:
    img = cv2.imread(i)
    sizeSet.add(img.shape[:2])

print(sizeSet)

输出：

{(256, 256), (168, 168), (336, 336), (128, 128)}

因此，需要注意：赛题图像有四种大小：128*128、168*168、256*256、336*336。

0. 导入所需的库

# -*- coding: utf-8 -*-
import os, sys, glob, argparse
import pandas as pd
import numpy as np
from tqdm import tqdm

import time, datetime
import pdb, traceback

import cv2
# import imagehash
from PIL import Image

from sklearn.model_selection import train_test_split, StratifiedKFold, KFold

# from efficientnet_pytorch import EfficientNet
# model = EfficientNet.from_pretrained('efficientnet-b4') 

import torch
torch.manual_seed(0)
torch.backends.cudnn.deterministic = False
torch.backends.cudnn.benchmark = True

import torchvision.models as models
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.autograd import Variable
from torch.utils.data.dataset import Dataset

for i in (pd, np, torch):
    print("{}: {}".format(i.__name__, i.__version__))

输出：

pandas: 0.24.2
numpy: 1.17.4
torch: 1.5.1+cu101

1. 训练代码：

# input dataset
train_jpg = np.array(glob.glob(r'data\train\*\*.png'))
    
class QRDataset(Dataset):
    def __init__(self, train_jpg, transform=None):
        self.train_jpg = train_jpg
        if transform is not None:
            self.transform = transform
        else:
            self.transform = None
    
    def __getitem__(self, index):
        start_time = time.time()
        img = Image.open(self.train_jpg[index]).convert('RGB')
        
        if self.transform is not None:
            img = self.transform(img)