Synteettinen data täydentämässä COVID-19-tautia diagnosoivien neuroverkkojen koulutusdataa - lähdekoodi
Tämä repositorio sisältää käytetyn lähdekoodin kanditutkielmalle Synteettinen data täydentämässä COVID-19-tautia diagnosoivien neuroverkkojen koulutusdataa (Helsingin yliopisto, syksy 2023).
Python-ohjelmat kannattaa suorittaa coviddcgan hakemiston sisältä.
Lähde: https://github.com/eriklindernoren/Keras-GAN
Luo DCGAN-mallin ja tallentaa generoivan ja erottelevan verkon rakenteet ja painot hakemistoon dcgan/saved_model. Hakemistoon tallentuu myös mallien varmuuskopiot. Valmis malli kannattaa siirtää covidmodel (COVID-positiivisia röntgenkuvia luova malli) tai normalmodel (terveitä röntgenkuvia luova malli) hakemistoon koulutuksen valmistuttua, sillä uusi koulutus korvaa hakemistossa olevat mallit.
Lähde: https://www.kaggle.com/code/jutrera/training-a-densenet-for-the-stanford-car-dataset
Luo DenseNet-121-mallin ja tallentaa sen rakenteen ja painot hakemistoon dcgan/saved_densenet. Valmis malli kannattaa siirtää augmented_dataset (DCGAN-mallilla täydennetyllä tietoaineistolla koulutettu malli) tai real_dataset (täysin todellisella tietoaineistolla koulutettu malli) hakemistoon koulutuksen valmistuttua, sillä uusi koulutus korvaa saved_densenet hakemistossa olevan mallin.
Tulostaa DenseNet-121-mallin suorituskyvystä kertovat tilastot ja luo niistä MatPlotLib-kirjaston luomat laatikkokuvat.
Lähde: https://gist.github.com/anilsathyan7/ffb35601483ac46bd72790fde55f5c04
Muuntaa test ja train hakemistojen sisällä olevat kuvatietoaineistot NPZ-hakemistojen sisälle tallennetuiksi NPY-tiedostoiksi. Näitä voidaan käyttää koneoppimismallien koulutukseen.
Tallentaa valitun mallin luomat röntgenkuvat NPZ-hakemiston sisälle tallennetuiksi NPY-tiedostoiksi. Halutessaan luodut röntgenkuvat voi myös tallentaa gen_imgs hakemistoon PNG-kuvatiedostoina.
Luo valituista malleista niiden arkkitehtuuria kuvaavan PNG-kuvan.
