caffe finetune predict and classify the lung nodule( 肺结节的分类)
引言--做了什么?如上一篇博文所提到用ImageNet图像来帮助医学图像的识别,但是ImageNet里面的图像(二维,彩色)没有医学图像,包含一些诸如鸟类、猫、狗、直升机等物体的识别,与医学图像(二维或三维,非彩色)相差很大。对此Le Lu大神于2016年3月份发表了一篇文章Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning,解决了这个问题,其中所用的机制就是选择窗位的三个 ranges来获取相应的CT slice images,然后对这3幅images encode 生成相应的RGB 图像。
通过对caffe已有模型进行finetune 实现医学图像CT肺 结节的预测与检测,并实现可视化!
思路--出发点是?
方案--怎么做?
预测
代码和结果
- import os
- import numpy as np
- import matplotlib.pyplot as plt
- %matplotlib inline
- #设置caffe源码所在的路径
- caffe_root = '/usr/local/caffe/'
- import sys
- sys.path.insert(0, caffe_root + 'python')
- import caffe
- plt.rcParams['figure.figsize'] = (10, 10)
- plt.rcParams['image.interpolation'] = 'nearest'
- plt.rcParams['image.cmap'] = 'gray'
- #加载均值文件
- mean_filename='./imagenet_mean.binaryproto'
- proto_data = open(mean_filename, "rb").read()
- a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)
- mean = caffe.io.blobproto_to_array(a)[0]
- #创建网络,并加载已经训练好的模型文件
- nodule_net_pretrained='./mytask_train_iter_8000.caffemodel'
- nodule_net_model_file='./deploy.prototxt'
- nodule_net = caffe.Classifier(nodule_net_model_file, nodule_net_pretrained,
- mean=mean,
- channel_swap=(2,1,0),#RGB通道与BGR
- raw_scale=255,#把图片归一化到0~1之间
- image_dims=(256, 256))#设置输入图片的大小
(10, 3, 227, 227)
- #预测分类及其可特征视化
- nodule_list=['bg','nodule'] #类别表
- example_image = './2.bmp'
- input_image = caffe.io.load_image(example_image)#读取图片
- _ = plt.imshow(input_image)#显示原图片
- #预测结果
- prediction = nodule_net.predict([input_image])
- print 'predict bg or nodule:', nodule_list[prediction[0].argmax()]
predict bg or nodule: bg
- #预测分类及其可特征视化
- nodule_list=['bg','nodule'] #类别表
- example_image = './136.bmp'
- input_image = caffe.io.load_image(example_image)#读取图片
- _ = plt.imshow(input_image)#显示原图片
- #预测结果
- prediction = nodule_net.predict([input_image])
- print 'predict bg or nodule:', nodule_list[prediction[0].argmax()]
predict bg or nodule: nodule
- def showimage(im):
- if im.ndim == 3:
- im = im[:, :, ::-1]
- plt.set_cmap('jet')
- plt.imshow(im)
- def vis_square(data, padsize=1, padval=0):
- data -= data.min()
- data /= data.max()
- # force the number of filters to be square
- n = int(np.ceil(np.sqrt(data.shape[0])))
- padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)
- data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))
- # tile the filters into an image
- data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))
- data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])
- showimage(data)
- age_net = caffe.Classifier(nodule_net_model_file, nodule_net_pretrained,
- channel_swap=(2,1,0),
- raw_scale=255,
- image_dims=(256, 256))
- prediction = nodule_net.predict([input_image])
- _ = plt.imshow(input_image)
- filters = nodule_net.params['conv1'][0].data[:49] #conv1滤波器可视化
- vis_square(filters.transpose(0, 2, 3, 1))
- feat = nodule_net.blobs['conv1'].data[4, :49] #The first Conv layer output, conv1 (rectified responses of the filters above)
- vis_square(feat, padval=1)
哇塞,可视化成功~不得不佩服Python的强大
caffe finetune predict and classify the lung nodule( 肺结节的分类)相关推荐
- Knowledge-based Collaborative Deep Learning for Benign-Malignant Lung Nodule Classification论文阅读
作者信息: Yutong Xie, Yong Xia, Member, IEEE, Jianpeng Zhang, Yang Song, Member, IEEE, Dagan Feng, Fel l ...
- caffe fine-tune策略
caffe fine-tune策略 现在随着深度学习技术的迅速发展,深度学习技术在图像和语音方向的应用已经很成熟了.目前工程上应用深度学习一般源于数据的限制都是在ImageNet pre-traine ...
- 如何用深度学习进行CT影像肺结节探测(附有基于Intel Extended Caffe的3D Faster RCNN代码开源)
近期宜远智能参加阿里天池医疗AI大赛,用3D Faster RCNN模型在CT影像的肺结节探测上,取得了较好的成绩,特别是在计算资源充足的情况下,模型效果表现优异.这是他们的经验分享(https:// ...
- caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-下篇--caffe学习(7)
接上篇caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-上篇 得到deploy.prototxt文件之后,我们可以自己编写python代码实现对单个 ...
- 学习Caffe(二)使用Caffe:Caffe加载模型+Caffe添加新层+Caffe finetune
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/u014230646/article/details/51934150 如何使用Caffe Caffe ...
- caffe学习笔记(十七)--用caffemodel进行批量图片分类
接上篇文章,这次进行批量图片处理,在/examles/images文件中有四张图片如下所示 接下来另外创建classifiy2.py文件,进行批量图片处理,事实上,这次的处理流程和上篇笔记基本类似,上 ...
- Caffe、TensorFlow、MXnet三个开源库对比+主流分类模型对比
库名称 开发语言 支持接口 安装难度(ubuntu) 文档风格 示例 支持模型 上手难易 Caffe c++/cuda c++/python/matlab *** * *** CNN ** MXNet ...
- 用caffe自带的训练好的模型测试图片的分类结果,实现啦啦啦
1.caffemodel文件下载 可以直接在浏览器里输入地址下载,也可以运行脚本文件下载.下载地址为:http://dl.caffe.berkeleyvision.org/bvlc_reference ...
- 基于CNN的性别、年龄识别及Demo实现
一.相关理论 本篇博文主要讲解2015年一篇paper<Age and Gender Classification using Convolutional Neural Networks> ...
最新文章
- 主机配置_分享几套电脑主机配置
- 直播预告 | STC单车拉力组专题培训
- java一个接口执行结束释放内存_java的灵魂--JVM虚拟机
- “伪基站”任意冒用手机号短信诈骗
- ios7以后隐藏状态栏
- ios::sync_with_stdio(true);
- php 后端调试,一般如何调试php程序
- IntelliJ IDEA For Mac 快捷键,够骚,速度收藏!
- Linux系统调用之open(), close() (转载)
- 定时任务发展史(二)
- 教学管理系统数据库设计Mysql_教务管理系统数据库设计方案.docx
- java连接Hbase操作数据库的全过程---搭建hbase数据库
- 第三方支付竞争走向下半场 汇付天下构建多方共赢新生态
- 三张图片怎么拼成一张?
- 【马司机带带我】电话骚扰自动化及其对策
- SQL--超键、候选键、主键、外键的认识和区分
- 如何提升自身能力?不再平庸
- 共享内存shmget的郁闷
- 8月8日,今天是个好日子。
- Excel学习笔记:P30-如何制作一个让老板眼睛为之一亮的甘特图
热门文章
- android 选择ppt模板,微软Office安卓手机版使用攻略:巧用模板可事半功倍
- 【c语言】求两数之和
- 实现php实现价格的排序,php 数组动态添加实现代码(最土团购系统的价格排序)_PHP教程...
- Tido 习题-二叉树-树状数组求逆序对
- 数据分析模块pandas
- 用css绘制各种形状
- 4.4、Bootstrap V4自学之路------组件---表单
- MapReduce Shuffle优化方向
- Hover States - 有趣的用户界面及交互设计
- 通过关闭swap来提高win7运行速度