OSIC肺纤维化竞赛（贝叶斯模型） 介绍 OSIC肺纤维化进展竞赛是一项Kaggle竞赛，您需要完成预测FVC（强制肺活量）的任务，FVC与下一个146周的强制呼气量（FEV）测试中呼出的空气总量有关。 您将获得CT扫描图像，以了解过去几周的第一次相遇，元数据和信息。 方法 CT扫描处理 我们确定一个遮罩，以区分图像中的其他实体和肺部。 我用两种方法做到这一点：1）简单的像素阈值区分和2）KMeans聚类。 应用了进一步的图像处理（例如腐蚀和膨胀）以进一步区分这两个区域。 然后将识别出的蒙版应用于原始图像，以获得孤立的肺部图像。 这些操作的结果如下所示： 隔离肺部后，从生成的图像中确定像素统计信息，以用作后续模型中的特征。 确定了诸如均值，方差，偏斜和峰度之类的统计信息。 贝叶斯建模 使用马尔可夫链蒙特卡洛（MCMC）采样方法和变分推断来估计模型的参数。 生成模型是分层的，这意味着信息

这项研究使用模型依赖和模型独立方法评估大鼠肝脏中肝纤维化的等级。 使用四氯化碳（CCl4）诱导37只大鼠肝纤维化; 6只大鼠作为对照。 剪切波速度作为频率的函数，称为速度分散，是通过称为剪切波分散超声振动法（SDUV）的超声弹性成像方法在体外测量的。 对于依赖模型的方法，将速度色散数据拟合到Voigt模型以求解粘弹性模量。 对于与模型无关的方法，通过线性回归分析速度色散数据的模式，以提取斜率和截距特征。 通过两种方法获得的参数分别使用接收器工作特性（ROC）曲线分析进行评估。 结果表明，在区分F0–F1级和F2–F4级纤维化的所有参数中，ROC曲线下面积的截距值最大。 这一发现表明，模型非依赖性方法可以为肝纤维化分期提供模型替代方法的替代方法。