网站404错误来源,广西住房和城乡建设厅官方网站,黄浦企业网站制作,为什么网站开发需要写php在医疗保健领域#xff0c;准确和高效地识别脑肿瘤是一个重大挑战。本文中#xff0c;我们将探讨一种使用 YOLOv8#xff0c;一种先进的目标检测模型#xff0c;将脑肿瘤进行分类的新方法#xff0c;其准确率达到了 99%。通过将深度学习与医学图像相结合#xff0c;我们希… 在医疗保健领域准确和高效地识别脑肿瘤是一个重大挑战。本文中我们将探讨一种使用 YOLOv8一种先进的目标检测模型将脑肿瘤进行分类的新方法其准确率达到了 99%。通过将深度学习与医学图像相结合我们希望这种方法将提高脑肿瘤识别的速度和准确性。 首先我们将从 Kaggle 获取脑肿瘤分类数据集。然后我们将利用各种数据清理方法来准备数据以输入到我们的模型中。接下来我们将从 Ultralytics 下载 YOLOv8并对其进行调整以适应我们的具体情况。最后我们将创建一个 FastAPI 应用程序以实现简化的使用。 1. 探索数据集 让我们仔细看看刚刚从 Kaggle 下载的数据集。数据集已经被分为训练集和测试集。数据集中有四种不同的肿瘤类别胶质瘤、脑膜瘤、垂体瘤和无肿瘤。每个类别在训练集中约有 1300 个示例在测试集中约有 300 个示例。 2. 数据准备 在此过程中我们将利用各种技术来清理数据集图像。这些技术包括识别和删除损坏的图像以及消除尺寸明显较小的图像。 2.1 删除损坏的图像 在这个过程中我们必须检查每个类别中的所有图像并验证它们是否可以使用 cv.imread 打开。如果无法打开就必须从数据集中删除它因为它可能是损坏的图像或根本不是图像文件。 2.2 删除尺寸不合格的图像 另一个数据清理技术涉及检查图像是否低于某个尺寸阈值并将其删除。这很重要因为冗余数据可能会对我们的模型性能产生负面影响。下面的代码可以一次删除所有损坏的和低于阈值的图像。 import os
import cv2train_dir BrainTumor/traincategories [glioma, meningioma, notumor, pituitary]size_threshold (10,10)
valid_extensions(.jpg, .png, .jpeg)def is_image_corrupt(image_path):try:img cv2.imread(image_path)if img is None:return Truereturn Falseexcept:return Truedef is_image_below_threshold(img_path):img cv2.imread(image_path)if img.shape size_threshold:print(img.shape)return Truereturn Falsefor each_category in categories:folder_path os.path.join(train_dir, each_category)for each_file in os.listdir(folder_path):image_path os.path.join(folder_path, each_file)if os.path.isfile(image_path) and each_file.lower().endswith(valid_extensions):if is_image_corrupt(image_path) or is_image_below_threshold(image_path):os.remove(image_path)print(fRemoved corrupt image: {each_file}) 3. 数据分析 作为分析的一部分我们将检查数据集以确定总记录数和每个类别的图像数量。我们还将评估类别的分布并生成图表以增进对数据的理解。 这种方法允许我们从数据中获得洞察以防止在将其输入模型时出现过拟合和欠拟合问题。 import matplotlib.pyplot as plt
import ostrain_dir /BrainTumor/train
valid_extensions(.jpg, .png, .jpeg)categories [glioma, meningioma, notumor, pituitary]
category_count {}for each_category in categories:folder_path os.path.join(train_dir, each_category)valid_images [file for file in os.listdir(folder_path) if file.lower().endswith(valid_extensions)]category_count[each_category] len(valid_images)fig, ax plt.subplots(figsize(10, 4))# Bar chart
bar_plot plt.barh(list(category_count.keys()), list(category_count.values()), 0.5)
plt.title(Tumor Type Distribution)
plt.xlabel(Count)
plt.ylabel(Tumor Type)
for i, bar in enumerate(bar_plot):plt.text(bar.get_width(), bar.get_y() bar.get_height() / 2, str(list(category_count.values())[i]), haleft, vacenter)plt.show()sample_size sum(category_count.values())class_dist {key : val/sample_size for key, val in category_count.items()}fig, ax plt.subplots(figsize(10, 4))# Bar chart
bar_plot plt.barh(list(class_dist.keys()), list(class_dist.values()), 0.6)
plt.title(Class Distribution)
plt.xlabel(Class)
plt.ylabel(Percentage)for i, bar in enumerate(bar_plot):plt.text(bar.get_width(), bar.get_y() bar.get_height() / 2, str(round(list(class_dist.values())[i], 3)), haleft, vacenter)plt.show() 所展示的代码将创建两个条形图表示每个类别的图像数量和类别分布。图表显示我们的数据分布均匀虽然在“无肿瘤”类中的图像数量稍多但与其他类别相比仍然相对平衡。 4. 数据可视化 在将数据输入之前用肉眼查看它对于更好的理解是很重要的。下面提供的代码显示了每个类别的一张图像。 import matplotlib.pyplot as plt
import os
train_dir /BrainTumor/train
valid_extensions(.jpg, .png, .jpeg)categories [glioma, meningioma, notumor, pituitary]plt.figure(figsize(12, 8))
for i, category in enumerate(categories):folder_path os.path.join(train_dir, category)image_path os.path.join(folder_path, os.listdir(folder_path)[0])if not image_path.lower().endswith(valid_extensions):continueimg plt.imread(image_path)plt.subplot(2, 2, i1)plt.imshow(img)plt.title(category)plt.axis(off)
plt.tight_layout()
plt.show() 输出 5. 训练模型 在脑肿瘤分类项目中我们将使用 YOLOv8 预训练模型。我们的第一步将是将这个模型导入项目中。接下来我们将用我们的数据集微调预训练模型。最后我们将在测试数据上评估模型以确定每个类别的准确性。 from ultralytics import YOLOmodel YOLO(yolov8m-cls.pt) # load a pretrained YOLOv8n classification model# train/pre-tuned the model on our dataset
model.train(dataBrainTumor, epochs3)# run the model on test data
res model.val()# Result saved to runs/classify/val 要获得归一化混淆矩阵导航到当前目录中的 runs/classify/val 文件夹。一旦进入那里您将能够以以下图像的形式查看它。 从所提供的数据中模型在三个类别上达到了 100% 的性能而在一个类别脑膜瘤上达到了 96%。因此总准确性可以计算如下(100 x 3 96) / 4 99%。 6. 测试自定义图像 在项目的最后一步我们将在 FastAPI 中建立一个端点。这个端点将接受图像作为输入并返回图像的标签预测。有了这个功能我们可以轻松地在任何选择的图像上测试我们的模型。在微调模型后它将生成另一个预训练模型文件.pt位于/run/classify/train/weights/best.pt 中。我们将将此文件集成到我们的 FastAPI 项目中。 以下是运行在端口 8000 上的 FastAPI 代码它有一个 /images 的端点。这个端点将以图像作为输入并返回由我们的模型best.pt预测的图像标签。 import subprocess
from fastapi import FastAPI, UploadFile, File
from ultralytics import YOLOdef model_train():model YOLO(./runs/classify/train/weights/best.pt) # load a pretrained YOLOv8n classification modelreturn modelapp FastAPI()model_data Noneapp.post(/images/)
def create_upload_file(image: UploadFile File(...)):global model_dataif model_data is None:model_data model_train()with open(f./images/{image.filename}, wb) as f:f.write(image.file.read())result model_data(f./images/{image.filename})return {result: result[0].names[result[0].probs.top1]}def run_uvicon():uvicorn_command [uvicorn,main:app,--host, 127.0.0.1,--port, 8000,--reload,]subprocess.run(uvicorn_command, checkTrue)if __name__ __main__:run_uvicon() 输出 结论 总之我们文章中使用的数据是从 Kaggle 平台获取的。在此之后我们对数据进行了清理处理然后将其输入到模型中最终生成了归一化混淆矩阵。作为最后一步我们使用 FastAPI 建立了一个端点使我们能够以高度准确和高效的方式进行预测并随后返回输入系统的任何肿瘤图像的类别。 · END · HAPPY LIFE 本文仅供学习交流使用如有侵权请联系作者删除
