X射线肺炎图像的检测（Detecting Pneumonia in X-Ray Image）

最新推荐文章于 2024-07-03 00:42:35 发布

RunningCode丿H

最新推荐文章于 2024-07-03 00:42:35 发布

阅读量5.8k

点赞数 5

分类专栏：项目兴趣作品文章标签： X射线图像中肺炎的检测 Detecting Pneumonia in X-Ray I

本文链接：https://blog.csdn.net/qq_38286571/article/details/81807833

版权

本文介绍了一个利用卷积神经网络（CNN）自动检测医学X射线图像中肺炎的方法。通过训练集（5216张图片，其中3875张肺炎，1341张正常）和测试集（614张图片）进行模型训练，并展示随着迭代，模型准确率提升但可能出现过拟合问题。最终，模型在Pneumonia的精确率达到0.88，整体准确率为0.81。

摘要由CSDN通过智能技术生成

灵感：利用CNN网络从医学图像中检测和分类人类疾病的自动化方法。

1、首先我们先对图片进行相应的分析，胸部X线影像（前 - 后）选自广州市广州妇女儿童医学中心一至五岁儿科患者的胸透图片。总共有5840张图片，用其中的5216张用于训练模型，614用于测试，训练集中有3875张是患有肺炎的图片，1341张是正常的。所有胸部X射线成像均作为患者常规临床护理的一部分判定之一。

如下图为随机的两张正常的X射线图片
这里写图片描述

下面的是患有肺炎的X射线图
这里写图片描述

对于非专业的人来说，完全无法分辨是否患有肺炎。如果使用机器学习中的CNN网络实现对肺炎图片的分类，将会在很大程度上减少医生的工作量。

本次数据集分为3个文件夹（train，test，val（本次程序验证集直接使用的测试集）），并包含每个图像类别（Pneumonia / Normal）的子文件夹。有5,863个X射线图像（JPEG）和2个类别（肺炎/正常）。

相应的代码实现如下：

import numpy as np
from tensorflow.python import keras
from keras import layers
from keras.models import Model, Sequential
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator
from sklearn.metrics import classification_report, confusion_matrix
from mlxtend.plotting import plot_confusion_matrix
import matplotlib.pyplot as plt

导入需要用到的模块，用到的核心模块为keras模块，主要提供了卷积神经网络（CNN）的模型搭建函数，优化器，损失函数，图片预处理等实用的函数(keras官网：https://keras-cn.readthedocs.io/en/latest/)
创建训练集和测试集目录，如果要加入验证集，可以同时创建验证集目录，本次的验证集我直接调用的是测试集。