update

README.md

@@ -1 +1,3 @@
-# 9B8DY6.github.io
+# 9B8DY6.github.io
+
+- [2020년 8월 10일 월까지](200810.md)

rsnote/200810.md

@@ -0,0 +1,67 @@
+
+# 20.08.05
+
+- sex classification 모델을 만들어 acc를 확인하는데 한 에포크 당 나오도록 하니 순간적으로 굉장히 낮은 acc를 보이거나 같은 acc가 반복적으로 나오는 경우도 있었다. 일희일비하지말라는 말이 왜 있는지 알 것 같다. 
+- epoch=50에 70후반 80초반 이정도 나온다. 
+- ROC커브만들기🤍![](2020-08-05-02-11-19.png)
+- confusion matrix![](2020-08-05-02-11-34.png)
+- 🧡gradCAM 연결해서 어디로 집중해서 나이나 성별을 predict하는지 살펴보기🧡
+
+---
+## LAB MEETING
+
+1. 비슷한 contrast에 대해서는 correlation, contrast가 차이가 많이 나면 mutual info를 사용 이게 뭔 말일까?
+
+2. data augmentation을 잘 쓸 줄 알아야 한다. 내가 만드는 deep learning에서 data augmentation을 무조건 다 하면 안돼!!
+
+3. low resolution의 사진으로 시간이 짧게 걸리는 data augmentation을 시행해서 model training을 시켜보고 resolution도 높이고 data augmentation도 점점 추가해서 model의 안정도와 정확도 높여가기!
+
+4. 데이터 augmentation 하나씩 어떤 기능을 하는지 확인해보기
+
+5. 모델의 훈련데이터에 대한 어느정도의 오버피팅은 당연하다. 분류문제일시 acc이 95%이상이면서 valid는 그에 준해야 한다. 그렇지 않다면 그 모델자체는 쓸모가 없다.
+
+6. 💛첫번째 목표는 바로바로 교수님이 주시는 코드를 이용해서 age regression에서 loss를 6이하로 만들기.💛
+
+# 20.08.07
+
+- 망막안저 의료영상으로 심혈관 질환 위혐요소를 예측하고 볼 수 있다는 논문(Popline et al.)을 읽음.
+
+- 심혈관 질환 위험요소를 중간고사 대체프로젝트로 사용했던 데이터로 다뤄본 적이 있었다. 나이, 성별, BMI, 최대혈압, 최소혈압, 흡연여부, 혈당, 혈중 콜레스테롤, 혈압 등이 있다.
+
+- 망막 자체가 심혈관 질환을 결정짓는 건 아니지만 망막 안저 의료 영상으로 발병의 위험성을 추론해볼 수 있고 안과 의사들이 그것에 민감하게 반응할 필요가 있음을 시사한 것이 아닌가라는 생각을 가지게 해준 논문이었다.
+
+- 망막 안저 의료 영상으로 성별 구별이 뚜렷히 된다는 것이 신기했고 그 이유는 논문에 명확히 나오지 않았지만 개인적인 생각으로는, 성호르몬에 따른 망막의 blood flow의 차이(Yanagida et al.)때문인 것 같다.
+
+- 서울대병원 안과에서도 이와 같은 연구를 진행하였다. 딥러닝을 이용해 안저 의료 영상으로 성별과 나이를 정확하게 예측하고 기저질환은 이에 영향을 미치지 않는다. 
+
+- 뇌혈관 나이, 망막 안저 의료영상으로 나이 예측 등 노화진행을 사람들은 딥러닝으로 왜 예측하고 싶어할까? 그만큼 노화가 질환발병에 큰 영향을 많이 미치기 때문인 것 같다. 
+
+# 20.08.10
+
+- ![](2020-08-10-14-05-21.png) 왜 loss가 잘 안나오는지 여기서 알 수 있다. for (image_path, i, j) in zip(image_paths, target_age, target_sex)에서 i를 인덱스처럼 받아드리는 것이 아니라 target_age의 value를 i에 넣는 것이었다. 그래서 AGE : i, SEX : j로 하면 된다.
+
+- transform을 validation에 넣지 않고 진행해보니 loss가 1000단위로 나온다. 왜 그러지
+
+- optimizer들간의 차이를 설명한 좋은 사진 ![](2020-08-10-22-00-40.png)
+
+# 20.08.12
+
+## LAB MEETING
+
+1. 코드 버전 관리하기
+
+2. 깃허브나 클라우드로 의미있는 버전들 쌓아놓기
+
+3. prior knowledge + advanced network...>_</
+
+4. 💛validation set의 실제값과 예측값의 관계를 나타낸 scatter plot을 python으로 나타냄으로써 linearity를 확인해보기💛
+
+5. brain mri image가 뇌졸중 고혈압 등만 진단하고 보관되는 데이터로 취급되는게 아까워서 이 데이터를 이용해 할 수 있는 다양한 task들이 이뤄졌으면 좋겠다.
+
+6. 의료계의 발전? 또 다른 application을 보여줄 수 있도록 해야되니께...딥러닝을 잘 하자능...
+
+7. 기계가 uncertainty를 알려줌. reliability를 고려...ㅎ dice score은 groundtruth가 필요한데 ious는 groundtruth가 필요없다. 
+
+8. hufsaim0 -> neuro -> 파일 -> nifiti ->fsl_~->3D_T1_reg_PD_brain_fast_seg에서 WM, GM 분리 잘되어 있는지, 눈이나 뇌가 아닌 부분을 포함하고 있는지 확인, 결과가 없는 데이터 확인.
+
+9. grad CAM으로 기계가 어디에 집중해서 이미지를 분석했는지 파악가능하도록...ㅎ