探究肺癌患者的CT图像的图像特征并构建一个诊断模型

目标
效果图
操作说明
代码

目标

效果图

操作说明

代码中我以建立10张图为例，多少你自己定

准备工作：
1.准备肺癌或非肺癌每个各10张图，在本地创建一个名为“data”的文件夹，用于存放数据集。在“data”文件夹下创建两个子文件夹，分别命名为“cancer”和“non_cancer”，用于存放肺癌和非肺癌图像。将10张肺癌图像命名为“cancer_1.jpg”到“cancer_10.jpg”，并将它们放入“cancer”文件夹中。将10张非肺癌图像命名为“non_cancer_1.jpg”到“non_cancer_10.jpg”，并将它们放入“non_cancer”文件夹中。

在开始编写和执行代码之前，请确保已经安装完成以下库：

TensorFlow：用于构建和训练深度学习模型
Keras：用于快速构建和训练模型
scikit-learn：用于评估模型和数据预处理
numpy：用于数组和矩阵操作
OpenCV：用于处理和操作图像数据
matplotlib：用于可视化结果

安装命令

pip install tensorflow
pip install keras
pip install scikit-learn
pip install numpy
pip install opencv-python
pip install matplotlib

确保在本地创建了一个名为“data”的文件夹，并在其中创建了名为“cancer”和“non_cancer”的子文件夹。
将肺癌和非肺癌图像分别放入对应的子文件夹，并确保它们的命名正确

3.然后就可以复制上txt里面的代码进行执行了（记得改代码里面路径）

注意事情：
4. 图像大小：在load_images()函数中，已将图像调整为150x150大小。您可以根据实际情况更改此尺寸，但请注意，较大的图像可能会增加计算成本和训练时间。
例如，将图像大小调整为224x224：。

5.灰度图像：如果您的图像是灰度图像，可以将图像从单通道灰度转换为3通道灰度，以适应模型。在load_images()函数中添加如下代码

代码

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, confusion_matrix
from tensorflow.keras.preprocessing.image import ImageDataGeneratorfrom tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.utils import to_categorical# 加载图像并调整大小
def load_images(data_dir, img_size): #从指定目录加载图像文件，并将它们转换成统一大小images = []labels = []for folder in os.listdir(data_dir): #遍历指定路径下的文件夹，其中 os.listdir(data_dir) 返回指定目录中所有文件和文件夹的名称列表for file in os.listdir(os.path.join(data_dir, folder)):img_path = os.path.join(data_dir, folder, file)img = cv2.imread(img_path)img = cv2.resize(img, img_size)images.append(img)labels.append(folder)return np.array(images), np.array(labels)# 构建模型
def create_model(input_shape, num_classes): #创建神经网络模型。函数接受输入数据的形状 input_shape 和分类数量 num_classes 作为参数model = Sequential() #将各个神经网络层按照顺序逐层叠加起来，构成一个“线性”模型model.add(Conv2D(32, (3, 3), activation='relu', input_shape=input_shape)) #添加了一个卷积层 Conv2D 到模型中 (3,3是滤波器大小)#接受输入张量（特征图），尺寸为 input_shape；#将每个滤波器应用于输入张量；#对每个输出结果应用 ReLU 非线性激活;#输出包括32张空间特征图通道model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(128, activation='relu'))model.add(Dropout(0.5))model.add(Dense(num_classes, activation='softmax'))model.compile(optimizer=Adam(), loss='categorical_crossentropy', metrics=['accuracy'])#optimizer=Adam() 指定使用 Adam 优化算法；#loss='categorical_crossentropy' 表示采用交叉熵作为损失函数，适合多分类问题；#metrics=['accuracy'] 说明度量模型性能时以准确率作为衡量标准return model# 主程序
def main():data_dir = r'F:\code_test\data'img_size = (150, 150)#这是图片的大小根据自己图片修改num_classes = 2batch_size = 4epochs = 50# 加载图像数据images, labels = load_images(data_dir, img_size)# 数据预处理images = images.astype('float32') / 255.0labels = (labels == 'cancer').astype(int)labels = to_categorical(labels, num_classes)# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(images, labels, test_size=0.2, random_state=42)# 数据增强datagen = ImageDataGenerator(horizontal_flip=True, vertical_flip=True)datagen.fit(X_train)# 创建模型model = create_model((img_size[0], img_size[1], 3), num_classes)# 训练模型history = model.fit(datagen.flow(X_train, y_train, batch_size=batch_size),validation_data=(X_test, y_test),steps_per_epoch=len(X_train) // batch_size,epochs=epochs)# 评估模型y_pred = model.predict(X_test)y_pred_classes = np.argmax(y_pred, axis=1)y_test_classes = np.argmax(y_test, axis=1)print("Classification Report:")print(classification_report(y_test_classes, y_pred_classes))print("Confusion Matrix:")print(confusion_matrix(y_test_classes, y_pred_classes))# 绘制训练过程的准确率和损失曲线def plot_training_history(history):plt.figure(figsize=(12, 4))plt.subplot(1, 2, 1)plt.plot(history.history['accuracy'], label='Training Accuracy')plt.plot(history.history['val_accuracy'], label='Validation Accuracy')plt.xlabel('Epoch')plt.ylabel('Accuracy')plt.legend()plt.subplot(1, 2, 2)plt.plot(history.history['loss'], label='Training Loss')plt.plot(history.history['val_loss'], label='Validation Loss')plt.xlabel('Epoch')plt.ylabel('Loss')plt.legend()plt.show()plot_training_history(history)if __name__ == '__main__':main()

相关图片获取：
github链接
CSDN资源文件也有

探究肺癌患者的CT图像的图像特征并构建一个诊断模型相关推荐

【手把手教你】搭建神经网络（CT扫描3D图像的分类）
大家好,我是羽峰,今天要和大家分享的是一个基于tensorflow的CT扫描3D图像的分类.文章会把整个代码进行分割讲解,完整看完,相信你一定会有所收获. 欢迎关注"羽峰码字" 目 ...
[读论文]弱监督学习的精确 3D 人脸重建：从单个图像到图像集-Accurate 3D Face Reconstruction with Weakly-Supervised Learning:From
论文地址:Accurate 3D Face Reconstruction with Weakly-Supervised Learning:From Single Image to Image Set ...
《OpenCV3编程入门》学习笔记5 Core组件进阶（二） ROI区域图像叠加图像混合
第5章 Core组件进阶 5.2 ROI区域图像叠加&图像混合 5.2.1 感兴趣区域ROI(region of interest) 1.定义ROI区域两种方法: (1)定义矩形区域Rect: ...
使用Python，OpenCV制作图像Mask——截取ROIs及构建透明的叠加层
使用Python,OpenCV制作图像Mask--截取ROIs及构建透明的叠加层 1. 效果图 2. 源码参考这篇博客将介绍如何使用OpenCV制作Mask图像掩码.使用位运算和图像掩码允许我们只 ...
Python计算机视觉——图像到图像的映射
Python计算机视觉--图像到图像的映射文章目录 Python计算机视觉--图像到图像的映射写在前面 1 单应性变换 1.1 直接线性变换算法 1.2 仿射变换 2 图像扭曲 2.1 图像中的图 ...
让机器“看见”：图像数据的特征提取方法
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:谢雨飞,趣头条算法工程师图像特征主要有图像的颜色特征.纹理特征. ...
只用一张训练图像进行图像的恢复
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达作者:George Seif 编译:ronghuaiyang 导读 ...
Seaborn可视化图像调整图像大小（figure size）方法实战(Adjust the Figure Size)
Seaborn可视化图像调整图像大小(figure size)方法实战(Adjust the Figure Size) 目录 Seaborn可视化图像调整图像大小(figure size)方法实战(A ...
真·无监督！延世大学提出图像到图像无监督模型，实验结果超SOTA
图像翻译目的是用模型将源域图像转换到目标域图像,通常涉及标签图到场景图的转换.图像风格.人脸的属性变换.标签图到场景图的转换. 图像翻译任务自生成对抗网络提出就得到了快速发展,例如经典的pix2pix ...

探究肺癌患者的CT图像的图像特征并构建一个诊断模型

目标

效果图

操作说明

代码

探究肺癌患者的CT图像的图像特征并构建一个诊断模型相关推荐

最新文章

热门文章