我使用了 3D CNN 架构，通过使用 FLAIR 脑部扫描来检测特定启动子 (MGMT) 的存在。（每位患者 64 片）。输出应该是二进制（0/1）。

我已经正确地进行了预处理，并在将“训练”数据集分成训练集和验证集后使用了分层（80-20 比率）。我的模型初始化和训练内核如下所示：

def get_model(width=128, height=128, depth=64):
"""Build a 3D convolutional neural network model."""

inputs = keras.Input((width, height, depth, 1))

x = layers.Conv3D(filters=64, kernel_size=3, activation="relu")(inputs)
x = layers.MaxPool3D(pool_size=2)(x)
x = layers.BatchNormalization()(x)

x = layers.Conv3D(filters=64, kernel_size=3, activation="relu")(x)
x = layers.MaxPool3D(pool_size=2)(x)
x = layers.BatchNormalization()(x)

x = layers.Conv3D(filters=128, kernel_size=3, activation="relu")(x)
x = layers.MaxPool3D(pool_size=2)(x)
x = layers.BatchNormalization()(x)

x = layers.Conv3D(filters=256, kernel_size=3, activation="relu")(x)
x = layers.MaxPool3D(pool_size=2)(x)
x = layers.BatchNormalization()(x)

x = layers.GlobalAveragePooling3D()(x)
x = layers.Dense(units=512, activation="relu")(x)
x = layers.Dropout(0.3)(x)

outputs = layers.Dense(units=1, activation="sigmoid")(x)

# Define the model.
model = keras.Model(inputs, outputs, name="3dcnn")
return model


# Build model.
model = get_model(width=128, height=128, depth=64)
model.summary()

编译模型：

initial_learning_rate = 0.0001
lr_schedule = keras.optimizers.schedules.ExponentialDecay(
    initial_learning_rate, decay_steps=100000, decay_rate=0.96, staircase=True
)
model.compile(
    loss="binary_crossentropy",
    optimizer=keras.optimizers.Adam(learning_rate=lr_schedule),
    metrics=["acc"],
)

# Define callbacks.
checkpoint_cb = keras.callbacks.ModelCheckpoint(
    "Brain_3d_classification.h5", save_best_only=True,monitor = 'val_acc', 
                             mode = 'max', verbose = 1
)
early_stopping_cb = keras.callbacks.EarlyStopping(monitor="val_acc", patience=20,mode = 'max', verbose = 1,
                           restore_best_weights = True)

# Train the model, doing validation at the end of each epoch
epochs = 60
model.fit(
    train_dataset,
    validation_data=valid_dataset,
    epochs=epochs,
    shuffle=True,
    verbose=2,
    callbacks=[checkpoint_cb, early_stopping_cb],
)

这是我第一次使用 3D CNN，我使用了这个 keras 网页的格式：https ://keras.io/examples/vision/3D_image_classification/

在我的案例中，（最大）验证准确度约为 54%。我尝试降低初始学习率，对于 0.00001，我达到了 66.7% 的最大值。对于 0.00005、0.00002 的学习率，我得到的最大准确率约为 60% 和 62%。

学习率 0.0001、0.00005、0.00002 和 0.00001 的准确度与历元图：

尽管准确率仍然很低，但降低初始学习率似乎对准确率有积极影响。

我可以调整哪些其他参数来获得更好的准确性？是否可以继续降低初始学习率，直到我们达到目标准确度？

我知道这是一个相当广泛的问题，但我很困惑我们应该如何提高 CNN 的准确性（也就是 3D），那里似乎有很多事情正在发生。我是否在初始化中更改了某些内容？添加更多图层？还是改参数？我是减少还是增加它们？有这么多事情发生，我不认为尝试每一种组合并不断重复训练过程是一个有效的想法......

完整笔记本（包括预处理步骤）：https ://www.kaggle.com/shivamee682003/3d-image-preprocessing-17cd03/edit

提高 3D CNN 的验证损失和准确性

编译模型：