Skip to content
TheChatArchiveThe Chat Archive
gpt-4-0314· OpenAIAi2 WildChat-4.8M (AI2)

Con la información que aparece en este paper:…

  1. User

    Con la información que aparece en este paper: https://www.frontiersin.org/articles/10.3389/fneur.2022.1078147/full

    de cómo crear un modelo de clasificación de BPNN quiero que generes un script en Python que cargue las imágenes .nii.gz de FA y MD que son outputs de TBSS de FSL que están contenidas en una serie se folders que especificaré los path al inicio del script y que le apliqué el modelo BPNN para ver que valores de FA y MD de que voxeles del cerebro (reportados dando las coordenadas MNI152) logran predecir correctamente la clasificación en un grupo (1 o -1) de cada imagen. El grupo al que pertenece cada imagen te lo especificaré al inicio del script en un vector formado por 1 y -1 donde el primer elemento corresponde a los valores de la primera imagen y así sucesivamente. Las imágenes deberás cargarla en orden ascendente según el número que aparece en su nombre. Al finalizar el procesamiento deberás generar un reporte con los voxeles de mayor importancia que son significativos para la predicción y deberas decir su coordenada MNI152 y de que imagen fue extraída indicadnos su nombre y el path

  2. Assistant

    Entiendo la solicitud. A continuación, he escrito un script de Python que realiza los pasos que describiste usando nibabel y scikit-learn para cargar las imágenes y entrenar/revisar el modelo de BPNN. El script no está completamente optimizado y podría necesitar ajustes para tu caso de uso específico, pero debería servir como punto de partida.

    import os
    import re
    import nibabel as nib
    import numpy as np
    from sklearn.model_selection import train_test_split
    from sklearn.neural_network import MLPClassifier
    from sklearn.metrics import accuracy_score
    
    # Especificar las rutas de las carpetas que contienen las imágenes
    paths = ["ruta_folder_1", "ruta_folder_2"]
    
    # Especificar el grupo al que pertenecen las imágenes
    groups = [1, -1, 1, -1, ...]
    
    def load_nii(files):
        img_data = []
        for file in files:
            img = nib.load(file)
            img_data.append(np.asarray(img.dataobj).flatten())
        return np.vstack(img_data)
    
    def get_files(paths):
        all_files = []
        for path in paths:
            files = sorted([os.path.join(path, f) for f in os.listdir(path) if f.endswith(".nii.gz")],
                           key=lambda x: int(re.findall(r'\d+', x)[0]))
            all_files.extend(files)
        return all_files
    
    files = get_files(paths)
    data = load_nii(files)
    
    X_train, X_test, y_train, y_test = train_test_split(data, groups, test_size=0.33, random_state=42)
    
    bpnn = MLPClassifier(hidden_layer_sizes=(100,),
                         activation='logistic', solver='adam', alpha=1e-2)
    bpnn.fit(X_train, y_train)
    
    pred = bpnn.predict(X_test)
    print(f"Accuracy: {accuracy_score(y_test, pred)}")
    
    # Obtener los valores más importantes y sus coordenadas MNI152
    important_voxels = np.argsort(np.abs(bpnn.coefs_[0].mean(axis=1)))[-5:]
    voxels_coords = [(i // 182, (i % 182) // 218, (i % 182) % 218) for i in important_voxels]
    
    # Generar el reporte
    with open("voxeles_importantes.txt", "w") as outfile:
        outfile.write("Voxel\tCoordenada MNI152\tImagen\n")
        for i, coords in enumerate(voxels_coords):
            outfile.write(f"Voxel-{i+1}\t{coords}\t{files[i]}\n")
    

    Este script supone que ya tienes instaladas las bibliotecas nibabel y scikit-learn. Si no las tienes, instálalas usando:

    pip install nibabel scikit-learn
    

    Antes de ejecutar el script, asegúrate de que las rutas de los folders y el vector de grupos que has especificado sean correctos. Cuando el script termine de ejecutarse, se generará un archivo llamado voxeles_importantes.txt, que contendrá las coordenadas MNI152 de los 5 voxeles más importantes y el nombre y la ruta de las imágenes correspondientes.