python图像分类代码_医学图像 | 使用深度学习实现乳腺癌分类（附python演练）

乳腺癌是全球第二常见的女性癌症。2012年，它占所有新癌症病例的12%，占所有女性癌症病例的25%。

当乳腺细胞生长失控时，乳腺癌就开始了。这些细胞通常形成一个肿瘤，通常可以在x光片上直接看到或感觉到有一个肿块。如果癌细胞能生长到周围组织或扩散到身体的其他地方，那么这个肿瘤就是恶性的。

以下是报告：

• 大约八分之一的美国女性（约12%）将在其一生中患上浸润性乳腺癌。
• 2019年，美国预计将有268,600例新的侵袭性乳腺癌病例，以及62,930例新的非侵袭性乳腺癌。
• 大约85%的乳腺癌发生在没有乳腺癌家族史的女性身上。这些发生是由于基因突变，而不是遗传突变
• 如果一名女性的一级亲属(母亲、姐妹、女儿)被诊断出患有乳腺癌，那么她患乳腺癌的风险几乎会增加一倍。在患乳腺癌的女性中，只有不到15%的人的家人被诊断出患有乳腺癌。

挑战

构建一个算法，通过查看活检图像自动识别患者是否患有乳腺癌。算法必须非常精确，因为人的生命安全是第一的。

数据

数据集可以从这里(https://web.inf.ufpr.br/vri/databases/breast-cancer-histopathological-database-breakhis/)下载。这是二分类问题。我把数据拆分如图所示

dataset train
  benign
   b1.jpg
   b2.jpg
   //
  malignant
   m1.jpg
   m2.jpg
   //  validation
   benign
    b1.jpg
    b2.jpg
    //
   malignant
    m1.jpg
    m2.jpg
    //...

训练文件夹在每个类别中有1000个图像，而验证文件夹在每个类别中有250个图像。

以上两张图片是良性样本

以上两张图片是恶性样本

环境和工具

1. scikit-learn
2. keras
3. numpy
4. pandas
5. matplotlib

图像分类

完整的图像分类流程可以形式化如下：

我们的输入是一个由N个图像组成的训练数据集，每个图像都有相应的标签。

然后，我们使用这个训练集来训练分类器，来学习每个类。

最后，我们通过让分类器预测一组从未见过的新图像的标签来评估分类器的质量。然后我们将这些图像的真实标签与分类器预测的标签进行比较。

代码实现

让我们开始使用代码。github上的完整项目可以在此链接(https://github.com/abhinavsagar/Breast-cancer-classification)。

让我们从加载所有库和依赖项开始。

import json
import math
import os
import cv2
from PIL import Image
import numpy as np
from keras import layers
from keras.applications import DenseNet201
from keras.callbacks import Callback, ModelCheckpoint, ReduceLROnPlateau, TensorBoard
from keras.preprocessing.image impor