使用深度学习进行脑肿瘤检测和定位：第 2 部分

问题陈述

通过使用 Kaggle 的 MRI 数据集的图像分割来预测和定位脑肿瘤。

这是该系列的第二部分。如果你还没有阅读第一部分，我建议你访问使用深度学习进行脑肿瘤检测和定位：第1部分以更好地理解代码，因为这两个部分是相互关联的。

文章地址：https://mp.weixin.qq.com/s/vBsTsVvHjA0gtQy3X1wdmw

我们在 ResNet50 上训练了一个分类模型，该模型使用回调对脑部 MRI 是否有肿瘤进行分类以提高我们的性能。在这一部分，我们将训练一个模型来使用图像分割来定位肿瘤。

先决条件

深度学习

数据集链接：https://www.kaggle.com/mateuszbuda/lgg-mri-segmentation

现在，让我们开始实施第二部分，即构建分割模型来定位肿瘤。

图像分割的目标是在像素级别理解图像。它将每个像素与某个类相关联。图像分割模型产生的输出称为图像的蒙版。

• 首先，从我们在上一部分创建的数据帧中选择蒙版值为 1 的记录，因为只有肿瘤存在，我们才能对其进行定位。

# Get the dataframe containing MRIs which have masks associated with them.
brain_df_mask = brain_df[brain_df['mask'] == 1]
brain_df_mask.shape

输出：(1373, 4)

• 将数据拆分为训练和测试数据集。首先，我们将整个数据拆分为训练和验证数据，然后将一半的验证数据拆分为测试数据。

from sklearn.model_selection import train_test_split
X_train, X_val = train_test_split(brain_df_mask, test_size=0.15)
X_test, X_val = train_test_split(X_val, test_size=0.5)

• 我们将再次使用DataGenerator 生成虚拟数据，即training_generator 和validation_generator。为此，我们将首先创建要传递到生成器的图像和蒙版路径的列表。

train_ids = list(X_train.image_path)
train_mask = list(X_train.mask_path)

val_ids =