基于深度学习unet的息肉分割检测

基于U-Net的息肉分割检测工具介绍

qq1309399183

于 2025-06-17 09:34:57 发布

阅读量624

点赞数 27

CC 4.0 BY-SA版权

分类专栏：计算机视觉实战项目集合文章标签：深度学习人工智能 unet 图像分割息肉检测图像识别

本文链接：https://blog.csdn.net/qq1309399183/article/details/148708466

计算机视觉实战项目集合专栏收录该内容

1252 篇文章

订阅专栏

息肉分割工具 Polyp

概述

结直肠癌在女性常见癌症中位列第二，在男性中位列第三，而息肉是此疾病的前兆病变。通过结肠镜检查发现并评估息肉对早期诊断至关重要，这将显著影响患者生存率。研究表明，结肠镜检查中息肉的漏诊率高达14%-30%（取决于息肉类型和大小）。因此，提升息肉检测能力对预防结直肠癌、改善患者预后具有关键意义。
在这里插入图片描述

本工具基于Kvasir-SEG数据集开发（该开源数据集包含胃肠道息肉图像及对应分割掩模，由经验丰富的胃肠病专家手动标注并验证），采用基于U-Net架构的深度学习模型，可自动从结肠镜图像中分割息肉，为医疗专业人员提供辅助诊断工具。生成的视觉分割掩模有助于优化初步诊断流程并支持治疗规划。

应用界面图示

Streamlit应用使用指南

访问工具
通过浏览器打开Streamlit应用URL。
下载示例图像
在应用首页点击"下载示例图像"链接获取测试样本。
上传图像
使用文件上传器选择结肠镜图像（JPG/JPEG格式）。
处理图像
点击"处理图像"按钮启动分割流程。
查看与下载结果
分割掩模将与原图并列显示，支持下载包含所有结果的ZIP压缩包。

应用演示图示

在这里插入图片描述

技术亮点

深度学习模型优化
采用针对医学图像分割优化的U-Net架构，验证了AI模型在医疗诊断特定场景中的高效应用。
数据预处理与增强
通过图像缩放、归一化和数据增强的强化流程，提升模型对不同结肠镜图像的泛化能力。
Streamlit网页应用
开发了支持批量处理的轻量化应用，结果可离线下载。模型安全存储于AWS S3云端并按需动态加载。
探索性数据分析（EDA）
通过详细EDA解析息肉特征，指导数据增强策略以提升检测精度。

安装部署

1. 克隆仓库


cd .\Polyp\

2. 配置虚拟环境

# 创建环境
python -m venv venv

# 激活环境（Windows）
.\venv\Scripts\activate

# 激活环境（macOS/Linux）
source venv/bin/activate

3. 安装依赖

pip install -r requirements.txt

模型训练

运行Streamlit应用前需确保已存在训练好的模型文件（model/unet.h5），或按以下方式训练：

本地训练

确保计算资源充足

按标准目录结构组织数据：

new_data/
├── train/
│   ├── images/      # 存放0001.jpg等原图
│   └── masks/       # 存放0001.png等掩模
├── validation/      # 同train结构
└── test/            # 同train结构

new_data/
│
├── train/
│   ├── images/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   │
│   └── masks/
│       ├── 0001.png
│       ├── 0002.png
│       └── ...
│
├── validation/
│   ├── images/
│   │   ├── 0008.jpg
│   │   ├── 0009.jpg
│   │   └── ...
│   │
│   └── masks/
│       ├── 0008.png
│       ├── 0009.png
│       └── ...
│
└── test/
    ├── images/
    │   ├── 0011.jpg
    │   ├── 0024.jpg
    │   └── ...
    │
    └── masks/
        ├── 0011.png
        ├── 0024.png
        └── ...