基于深度学习的脑部肿瘤检测系统

温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片 :) 

1. 项目简介

        当大脑中形成异常细胞时，就会发生脑肿瘤。肿瘤主要有两种类型：癌性（恶性）肿瘤和良性肿瘤。恶性肿瘤可分为原发性肿瘤和继发性肿瘤，前者始于大脑，后者从其他地方扩散，称为脑转移瘤。所有类型的脑肿瘤都可能产生不同的症状，这取决于所涉及的大脑部分。这些症状可能包括头痛、癫痫发作、视力问题、呕吐和精神变化。头痛通常在早上更严重，并伴随呕吐而消失。其他症状可能包括走路、说话或感觉困难。随着疾病的发展，可能会出现无意识状态。

        本项目利用 TensorFlow、Keras 等深度学习工具包构建 VGG16、RestNet、InceptionV3 等神经网络，实现对脑部肿瘤 MRI 扫描影像的识别。首先在 Jupyter Notebook 平台实现模型的训练、验证和存储，利用 Flask + Bootrap + Ajax 搭建交互式分析框架，实现脑部 MRI 扫描影像上传和在线预测，模型给出是否包含脑部肿瘤及肿瘤类型，整体准确率达到93.9%。

        B站详情及代码下载：基于深度学习的脑部肿瘤检测系统_哔哩哔哩_bilibili

2. 脑部肿瘤MRI扫描数据读取

        利用 ImageDataGenerator 从文件夹中加载脑部肿瘤MRI扫描图像数据，并利用图像的旋转、放大、剪切、对调等方式，实现对图像数据集的扩充。

data_dir = 'dataset'
class_map = {'无肿瘤': 0, '胶质瘤': 1, '垂体瘤': 2, '脑膜瘤': 3}
class_name_dict = {0: '无肿瘤', 1: '胶质瘤', 2: '垂体瘤', 3: '脑膜瘤'}
 
def image_generator(height,width):
    datagen = ImageDataGenerator(
            rescale=1./255.,
            validation_split=0.2,
            rotation_range=10,
            width_shift_range=0.05,
            height_shift_range=0.05,
            # shear_range=0.05,
            brightness_range=[0.5, 1.5],
            )
    train_ds = datagen.flow_from_directory(
            data_dir,
            batch_size=batch_size,
            subset="training",
            #color_mode = 'grayscale',
            shuffle=True,
            class_mode='categorical',
            target_size=(height, width),
            classes=class_map
            )
    val_ds = datagen.flow_from_directory(
              data_dir,
              subset="validation",
              #seed=123,
              #color_mode = 'grayscale',
              class_mode='categorical',
              target_size=(height, width),
              batch_size=batch_size,
            classes=class_map
            )
    return train_ds, val_ds
 
train_ds, val_ds = image_generator(height,width)

        数据集样例数据可视化：

3. 基于迁移学习的脑部肿瘤检测

3.1  VGG16 Base Model

        VGG（Visual Geometry Group）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG19最为著名。

        VGG16和VGG19网络架构非常相似，都由多个卷积层和池化层交替堆叠而成，最后使用全连接层进行分类。两者的区别在于网络的深度和参数量，VGG19相对于VGG16增加了3个卷积层和一个全连接层，参数量也更多。

        VGG网络被广泛应用于图像分类、目标检测、语义分割等计算机视觉任务中，并且其网络结构的简单性和易实现性使得VGG成为了深度学习领域的经典模型之一。

        利用 TensorFlow、Keras 深度学习工具包，构建基于 VGG16 基础 Base 模型的卷积神经网络：

input_shape = (height, width, 3)
base_model = tf.keras.applications.vgg16.VGG16(
    weights='./pretrained_models/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5', 
    include_top=False,
    input_shape=input_shape
)
base_model.trainable = False
 
model_vgg16 = tf.keras.Sequential()
model_vgg16.add(base_model)
model_vgg16.add(tf.keras.layers.Flatten())
 
model_vgg16.add(tf.keras.layers.Dense(4, activation='softmax'))
 
model_vgg16.compile(loss='categorical_crossentropy', 
              optimizer=tf.keras.optimizers.Adam(0.001),
              metrics=['acc'])
model_vgg16.summary()

        模型训练：

Epoch 1/25
88/88 [==============================] - ETA: 0s - loss: 0.6459 - acc: 0.7654
Epoch 1: acc improved from -inf to 0.76544, saving model to save_models\vgg16_best.h5
88/88 [==============================] - 789s 9s/step - loss: 0.6459 - acc: 0.7654 - val_loss: 0.4368 - val_acc: 0.8355

......

Epoch 25: acc improved from 0.98754 to 0.98950, saving model to save_models\vgg16_best.h5
88/88 [==============================] - 1244s 14s/step - loss: 0.0384 - acc: 0.9895 - val_loss: 0.1704 - val_acc: 0.9338

        训练 Loss 和 Acc 结果可视化：

        模型评估：

train_result = model_vgg16.evaluate(train_ds)
val_result = model_vgg16.evaluate(val_ds)
 
vgg16_eval_result = pd.DataFrame(zip(train_result,val_result),columns=['Train','Val'],index=['Loss','Acc'])
 
ypred_val = model_vgg16.predict(val_ds[0][0])
ypred_val = np.argmax(ypred_val, axis=1)
 
true_val = np.argmax(val_ds[0][-1], axis=1)
 
print("混淆矩阵：")
print(confusion_matrix(true_val, ypred_val))
print("详细评估指标：")
print('\n',classification_report(ypred_val, true_val))

3.2 InceptionV3 Base Model

        深度神经网络(Deep Neural Networks, DNN)或深度卷积网络中的Inception模块是由Google的Christian Szegedy等人提出，包括Inception-v1、Inception-v2、Inception-v3、Inception-v4及Inception-ResNet系列。

参考文章：经典神经网络 | 从Inception v1到Inception v4全解析

        以 InceptionV3 为 Base model 构建脑部肿瘤识别模型

        模型训练：

checkpoint = tf.keras.callbacks.ModelCheckpoint('save_models/inceptionv3_best.h5', monitor='acc', verbose=1, mode='max',save_best_only=True)
early = tf.keras.callbacks.EarlyStopping(monitor="acc", mode="max",restore_best_weights=True, patience=5)
callbacks_list = [checkpoint,early]
 
history = model_inceptionv3.fit(
        train_ds,
        validation_data=val_ds,
        epochs=25, 
        shuffle=True, 
        verbose=True,
        callbacks=callbacks_list)

        可以看出，InceptionV3模型训练的验证集 Loss 与准确率变化曲线抖动较大，性能不是很稳定。

        模型评估：

3.3 模型性能对比

labels = ['LOSS', 'ACC']
vgg16_evals = [vgg16_eval_result['Loss'], vgg16_eval_result['Acc']]
inceptionv3_evals = [inceptionv3_eval_result['Loss'], inceptionv3_eval_result['Acc']]
 
x = np.arange(len(labels))  # the label locations
width = 0.35  # the width of the bars
 
fig, ax = plt.subplots(figsize=(8, 6), dpi=100)
rects1 = ax.bar(x - width/2, vgg16_evals, width, label='VGG16')
rects2 = ax.bar(x + width/2, inceptionv3_evals, width, label='Inception-V3')
 
# Add some text for labels, title and custom x-axis tick labels, etc.
ax.set_ylabel('Loss/Acc')
ax.set_title('VGG16 与 Inception-V3 的脑部肿瘤检测性能对比')
ax.set_xticks(x, labels)
ax.legend()
 
ax.bar_label(rects1, padding=3)
ax.bar_label(rects2, padding=3)
 
fig.tight_layout()
 
plt.show()

        可以看出，在脑部肿瘤检测任务上，VGG16 的性能相比 Inception-V3 的预测准确率较高，性能较好，但预测推理时间较长，时效性不如 Inception-V3。

4. 基于深度学习的脑部肿瘤检测系统

4.1 首页简介与注册登录

4.2 脑部肿瘤在线检测

        通过上传待测试脑部MRI扫描影像，选择预测模型 VGG16 或 Inception-V3 不同模型，点击提交预测，后台模型加载图像，进行预测，给出是否包含脑部肿瘤及肿瘤类型：

5. 总结

        本项目利用 TensorFlow、Keras 等深度学习工具包构建 VGG16、RestNet、InceptionV3 等神经网络，实现对脑部肿瘤 MRI 扫描影像的识别。首先在 Jupyter Notebook 平台实现模型的训练、验证和存储，利用 Flask + Bootrap + Ajax 搭建交互式分析框架，实现脑部 MRI 扫描影像上传和在线预测，模型给出是否包含脑部肿瘤及肿瘤类型，整体准确率达到93.9%。

 欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :)

精彩专栏推荐订阅：

1. Python数据挖掘精品实战案例

2. 计算机视觉 CV 精品实战案例

3. 自然语言处理 NLP 精品实战案例