使用深度神经网络对医学影像进行疾病预测.Part1

置顶四维空间151

已于 2023-11-05 15:21:49 修改

阅读量190

点赞数

文章标签： dnn 人工智能神经网络

于 2023-10-07 01:49:04 首次发布

本文链接：https://blog.csdn.net/xingxingzhilong/article/details/133627792

版权

最近为了生计一直奔波，没有时间更新文章了。

前几天，群里面有个小伙伴，询问关于医疗疾病的一些相关训练和使用。

想着这几天有时间，就来玩一下这个“local disease label detection”。

由于一些原因，使用了一台性能不是很高的电脑，用来搭建和训练模型，大家可以做个参考。

主要看下显卡：GeForce GTX 1650 4G显存。（有能力的小伙伴可以升级下显卡）

这里为什么要强调下显卡呢，群里小伙伴想用resnet50来搭建和训练网络。这个网络有超过2500万个参数，这张显卡显然带动不了。所以就降低了参数，构建差不多20万的参数就可以了。

这里介绍下大体的思路，其实跟前面聊的差不多，分析此类问题，由于时间和样本的问题，我这里就简单的使用多分类任务来处理，当然，常规的可以使用目标识别任务来处理，这样可以定位出病灶位置。

首先，我们看下样本的主要数据。

这里我们选择使用，Image Index和Finding Labels 这两个数据。解释下，Image Index 是图片文件名 Finding Labels 是疾病名称。我整理下了，一共有14种疾病名称，但是这14种疾病可以同时存在多个疾病的组合情况。以下是样本包含的疾病名称


{
    '肺不张',
    '扩张型心脏',
    '延迟折叠阶段',
    '水肿',
    '胸腔积液',
    '肺气肿',
    '纤维化',
    '隔疝',
    '阴影',
    '肿块',
    '没有发现',
    '结节',
    '肺纹理增加',
    '肺炎',
    '气胸'
}

搭建一个简单的网络模型


# 添加卷积层和池化层
    model.add(Convolution2D(filters=32,kernel_size=(3, 3),padding='same', activation='relu', input_shape=(target_height, target_width, 3)))
    model.add(BatchNormalization())
    model.add(MaxPooling2D(pool_size=(2, 2),strides=(2,2)))

    model.add(Convolution2D(filters=32,kernel_size=(3, 3),padding='same', activation='relu'))
    model.add(BatchNormalization())
    model.add(MaxPooling2D(pool_size=(2, 2),strides=(2,2)))

    model.add(Convolution2D(filters=512, kernel_size=(3, 3),padding='same', activation='relu'))
    model.add(BatchNormalization())
    model.add(MaxPooling2D(pool_size=(2, 2),strides=(2,2)))

    # 将特征图展平为一维向量
    model.add(Flatten())

    # 添加全连接层
    model.add(Dense(128, activation='relu'))
    model.add(BatchNormalization())


    model.add(Dense(15, activation='sigmoid'))

model.fit_generator(generator=generator_data(),
                        steps_per_epoch=math.ceil(len(train_data)/batch_size)+1,
                        epochs=10,
                        callbacks=[generatorCallback()])

在经过长达15个小时的训练之后，accuracy在超过80%之后，就得到了一个70M左右的模型。

使用模型进行测试展示效果如下：