赛题背景
脑部MRI(Magnetic Resonance Imaging )全称为脑部磁共振显像，是反映脑部病变组织结构的显像，它根据有磁距的原子核在磁场作用下，能产生能级间的跃迁的原理从而为临床提供疾病的生物脑部结构信息。
现代医学临床实践表明使用MRI可极大的提高确诊精度，从而为脑癫痫病、脑肿瘤、帕金森病、阿尔茨海默综合症等患病初期不明显的脑疾病提供了有效的早期检测手段。从而延缓发病，对后续患者康复治疗有着积极的意义。
比赛地址：http://challenge.xfyun.cn/topic/info?type=NADP&ch=ds22-dw-gzh01
代码地址：https://github.com/datawhalechina/competition-baseline
赛事任务
为研究基于脑部MRI的疾病预测，本次大赛提供了脑部MRI数据集训练样本，记录了老年人受试志愿者的脑部MRI资料，其中包括确诊为轻度认知障碍（MCI）患者的脑部影像数据、阿尔茨海默综合症（AD）患者的脑部影像数据和健康人（NC）的脑部影像数据。
被试按医学诊断分为三类：
NC：健康
MCI：轻度认知障碍
AD：阿尔茨海默综合症
参赛者需根据提供的样本构建模型，对阿尔茨海默综合症进行分析和预测。
数据介绍
此次比赛分为初赛和复赛两个阶段，两个阶段的区别是所提供样本的量级有所不同，并且分类任务不同：
初赛进行AD与NC二分类
复赛进行MCI与NC二分类
本模型依据提交的结果文件，采用F1-score进行评价。
赛题建模
赛题是一个非常经典的图像分类模型，在建模型中使用已有的MRI数据搭建模型即可。本文赛题需要注意以下几点：
数据读取，需要读取NII格式
通道选择，原始通道大于3
模型与数据扩增
细节1：读取NII格式
import nibabel as nib
from nibabel.viewers import OrthoSlicer3D
img = nib.load(path)细节2：随机通道选择
idx = np.random.choice(range(img.shape[0]), 130)
idx.sort()
img = img[idx, :, :]
img = img.astype(np.float32)细节3：模型网络结构
model = models.resnet18(True)
model.conv1 = torch.nn.Conv2d(130, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
model.avgpool = nn.AdaptiveAvgPool2d(1)
model.fc = nn.Linear(512, 2)细节4：数据扩增方法
A.Compose([A.RandomRotate90(),A.RandomCrop(128, 128),A.HorizontalFlip(p=0.5),A.RandomContrast(p=0.5),A.RandomBrightnessContrast(p=0.5),
])
如果群满，关注Datawhale公众号，回复“数据挖掘”或“CV”或“NLP”可邀请加入各自战队群，除了经验交流，赛题也会在群内更新发布。
一键三连，一起学习⬇️
