Dipilih dari software, topik, dan level “Kelas Segmentasi Tumor Otak U-Net #4: Loss untuk Segmentasi: Dice, IoU & BCE-Dice, lalu Melatih U-Net Baseline”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, kurva pelatihan UNED-BASE lain, dengan LOS-BASE-E DAIS yang terus turun dan DAIS validasi yang naik sampai sekitar 0,76. Kita juga memahami kenapa akurasi piksel menipu, dan kenapa peneliti segmentasi memakai DAIS dan IOU. Ayo kita mulai. Halo, selamat datang di episode keempat seri segmentasi tumor otak dengan UNED yang dioptimasi metaheuristik. UNED kita sudah siap. Sebelum melatihnya, kita harus menentukan cara menilai dan cara menghukum kesalahan model. Di segmentasi medis, pilihan metrik dan LOS ini sangat menentukan, karena piksel tumor hanya sebagian kecil dari citra.
Langkah 1: Rumus Dice dan loU
Buat file LOS-SEC.PE DAIS koefisien adalah dua kali irisan antara prediksi dan target, dibagi jumlah piksel keduanya. IOU, atau Jakart, adalah irisan dibagi gabungan. Keduanya bernilai 0-1, dan hanya menghitung piksel tumor, sehingga latar hitam yang luas tidak ikut menaikkan skor. Epsilon kecil mencegah pembagian dengan 0.
Langkah 2: BCE-Dice loss
Lalu kelas berdicelos. Binary cross entropy menghukum setiap piksel dan membuat pelatihan stabil, sedangkan DAIS loss, yaitu 1 dikurangi DAIS, langsung mengoptimalkan tumpang tindih tumor. Keduanya digabung dengan bobot setengah-setengah. Kombinasi ini sangat umum di penelitian segmentasi medis.
Langkah 3: Kenapa akurasi piksel menipu
Mari uji dengan contoh kecil, mask tumor 4x4 di citra 10x10. Prediksi sempurna mendapat DAIS dan IOU 1. Prediksi yang bergeser 2 piksel turun drastis menjadi DAIS 0,25 dan IOU 0,14. Prediksi kosong mendapat 0. Tapi lihat, akurasi piksel prediksi kosong justru 84%. Inilah alasan akurasi tidak boleh dipakai untuk segmentasi.
Langkah 4: Fungsi evaluasi
Sekarang buat file latih underscore unit.py. Fungsi evaluasi mengumpulkan prediksi seluruh data validasi, di threshold 0,5, lalu menghitung DAIS dan IOU global.
Langkah 5: Fungsi pelatihan yang dipakai ulang
Fungsi latih model kita buat bisa dipakai ulang dengan parameter learning rate, jumlah filter F, dropout, jumlah IPOC, dan porsi data. Fungsi inilah yang nanti dipanggil berulang kali oleh algoritma metaheuristik di episode 5. Setiap IPOC kita hitung DAIS validasi, dan model dengan DAIS terbaik disimpan.
Langkah 6: Melatih U-Net baseline
Bagian utama melatih unit baseline dengan pengaturan umum, learning rate 0,001, 16 filter, tanpa dropout, 15 IPOC. Jalankan. DAIS validasi naik cepat dari 0,4 di IPOC pertama, lalu naik turun, ini wajar karena tumor kecil sulit dan data validasi berasal dari pasien berbeda. Nilai terbaik 0,763 dicapai di IPOC 11. Grafik kiri loss latih yang terus turun, grafik kanan DAIS validasi. Angka ini menjadi pembanding untuk model teroptimasi.
. Selesai!
Selesai. Kita sudah memahami DAIS dan IOU, membuat base CI DAIS loss, fungsi pelatihan yang bisa dipakai ulang, dan unit baseline dengan DAIS validasi 0,76. Di episode berikutnya kita mengoptimasi hyperparameter unit secara otomatis dengan Particle Swarm Optimization dan Grey Wolf Optimizer. Sedang menyusun skripsi, tesis, atau riset AI di bidang segmentasi citra medis? Cerdas inovasi digital membantu implementasi deep learning, dari segmentasi UNED, optimasi metahoristik PSO dan Grey Wolf, sampai evaluasi DAIS, IOU, dan penulisan hasil, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini? Dari data set MRI otak sampai UNED yang dioptimasi metahoristik? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.290 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
