Geschäftskontext
Ein Forschungsinstitut arbeitet mit MRT-Scans, um Tumore zu identifizieren. Die Scans stammen aus verschiedenen Quellen und weisen unterschiedliche Eigenschaften auf. Dieses Szenario testet einen komplexen Anwendungsfall, bei dem mehrere, unterschiedliche Augmentationsregeln in einem einzigen Aufruf kombiniert werden. Es wird eine Verdunkelung und eine 'Okklusion' (Verdeckung) angewendet, um das Modell zu zwingen, aus unvollständigen oder qualitativ unterschiedlichen Daten zu lernen.
Über das Set : image
Bildverarbeitung, -manipulation und -analyse.
Entdecken Sie alle Aktionen von image Datenaufbereitung
Erstellt eine Tabelle `mri_scans` mit zwei simulierten MRT-Bildern, die unterschiedliche Eigenschaften repräsentieren, um die Fähigkeit der Aktion zu testen, heterogene Eingaben zu verarbeiten.
Kopiert!
| 1 | DATA casuser.mri_scans(caslib='casuser' replace=true); |
| 2 | LENGTH _image_ binary(32) patient_id $10 scan_type $10; |
| 3 | INFILE DATALINES dlm='|'; |
| 4 | INPUT patient_id $ scan_type $ _image_ $hex64.; |
| 5 | DATALINES; |
| 6 | P_001|T1|4749463839610A000A0091000000000000000000000000000000000000000000 |
| 7 | P_002|T2|89504E470D0A1A0A0000000D49484452000000020000000208060000007824E56A |
| 8 | ; |
| 9 | RUN; |
Étapes de réalisation
1
Anwenden von zwei verschiedenen Augmentationsstrategien in einem einzigen Aufruf: 1) Erstellen von 128x128 abgedunkelten Patches und 2) Erstellen von 64x64 Patches mit zufälliger Verdeckung.
Kopiert!
| 1 | PROC CAS; |
| 2 | image.augmentImages / |
| 3 | TABLE={name='mri_scans', caslib='casuser'} |
| 4 | casOut={name='mri_augmented_multi', caslib='casuser', replace=true} |
| 5 | copyVars={'patient_id', 'scan_type'} |
| 6 | image='_image_' |
| 7 | augmentations={{ |
| 8 | sweepImage=true, |
| 9 | width=128, |
| 10 | height=128, |
| 11 | mutations={darken={type='BASIC', value=0.3}} |
| 12 | }, |
| 13 | { |
| 14 | sweepImage=true, |
| 15 | width=64, |
| 16 | height=64, |
| 17 | occlude=true |
| 18 | }}; |
| 19 | RUN; |
| 20 | QUIT; |
Erwartetes Ergebnis
Die Ausgabetabelle `mri_augmented_multi` enthält zwei Arten von augmentierten Bildern: abgedunkelte 128x128-Patches und kleinere 64x64-Patches mit zufällig verdeckten Bereichen. Die Aktion wendet die jeweiligen Regeln korrekt an und kombiniert die Ergebnisse in einer einzigen Ausgabetabelle. Dies erzeugt einen vielfältigen Datensatz, der für das Training eines robusten Modells unter schwierigen Bedingungen geeignet ist.