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？

如果将CNN应用于医学图像，首要面对的问题是训练数据的缺乏。因为CNN的训练数据都需要有类别标号，这通常需要专家来手工标记。要是标记像ImageNet这样大规模的上百万张的训练图像，简直是不可想象的。

对于医学图像而言，得到大规模的训练数据是比较不容易的，那么可否使用finetune利用现成的ImageNet的图像来帮助医学图像的识别呢？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。如果回答是肯定的话，是一件令人非常振奋的事情。

方案--怎么做？

首先是医学图像彩色化：http://blog.csdn.net/dcxhun3/article/details/51777794 其实这也是得到大师的指点的

然后是对样本的data augmentation，方可获得较多样本

再就是对彩色化的图像进行finetune训练

预测

利用finetune后的模型进行结节预测与检测。

caffe预测、特征可视化python接口调用

http://nbviewer.jupyter.org/url/www.openu.ac.il/home/hassner/projects/cnn_agegender/cnn_age_gender_demo.ipynb

代码和结果

借助 jupyter 也就是ipython notebook 现在还不知道怎么将imagenet_classify.ipynb源码上传等学会了上传。你可以在相应路径下输入ipython notebook 启动然后逐一将下面的路径复制运行

[python] view plain copy

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)

[python] view plain copy

#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

[python] view plain copy

#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

[python] view plain copy

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])

[python] view plain copy

_ = plt.imshow(input_image)

[python] view plain copy

filters = nodule_net.params['conv1'][0].data[:49] #conv1滤波器可视化
vis_square(filters.transpose(0, 2, 3, 1))

[python] view plain copy

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> ...

caffe finetune predict and classify the lung nodule（肺结节的分类）

思路--出发点是？

方案--怎么做？

预测

代码和结果

caffe finetune predict and classify the lung nodule（肺结节的分类）相关推荐

最新文章

热门文章

caffe finetune predict and classify the lung nodule（ 肺结节的分类）

思路--出发点是？

方案--怎么做？

预测

代码和结果

caffe finetune predict and classify the lung nodule（ 肺结节的分类）相关推荐

最新文章

热门文章

caffe finetune predict and classify the lung nodule（肺结节的分类）

caffe finetune predict and classify the lung nodule（肺结节的分类）相关推荐