基于yolo8脑MRI图片检测

前言

  • 脑肿瘤的初步筛查需要医生逐张查看 MRI 图片,工作量大,而且肿瘤在图中往往只占很小一块,容易看漏。
  • 本文介绍一种基于 YOLO8 的脑部 MRI 图片检测方法:输入一张脑部 MRI 图片,模型框出病灶区域,并给出类别和置信度。
  • 项目可识别胶质瘤、脑膜瘤、垂体瘤和无肿瘤四个类别,并在图片中绘制检测框、类别名称和置信度。
  • 本项目做的是图片中的目标检测,只给出矩形框位置和类别,不输出肿瘤轮廓、体积等测量结果,也不能替代医生诊断。


  • 整体流程主要分为两步。
  • 第一步:准备带有位置框和类别标注的脑部 MRI 图片,以 YOLO8 预训练权重为起点进行微调训练。
  • 第二步:加载训练好的 best.pt,对指定 MRI 图片进行检测,输出类别、置信度,并保存标注后的图片。

介绍

第一步:脑部 MRI 检测模型训练

YOLO8 环境配置

  • 项目使用 Python 开发,模型训练和推理由 Ultralytics 完成。
  • 依赖安装命令如下:
pip install ultralytics

数据集准备与处理

  • 项目使用 Labeled MRI Brain Tumor Dataset 数据集,共两千多张脑部 MRI 图片,分为训练集、验证集和测试集。
  • 每张图片对应一个标注文件。标注记录了类别编号和目标框四个角点的归一化坐标,训练时会转换为矩形检测框。
  • 当前数据中,每张图片只包含一种类别。
  • 类别编号:0;英文类别:Glioma;中文含义:胶质瘤;训练集:564;验证集:161;测试集:80;合计:805

  • 类别编号:1;英文类别:Meningioma;中文含义:脑膜瘤;训练集:358;验证集:124;测试集:63;合计:545

  • 类别编号:2;英文类别:No Tumor;中文含义:无肿瘤;训练集:335;验证集:99;测试集:49;合计:483

  • 类别编号:3;英文类别:Pituitary;中文含义:垂体瘤;训练集:438;验证集:118;测试集:54;合计:610

  • 类别编号:合计;英文类别:—;中文含义:—;训练集:1,695;验证集:502;测试集:246;合计:2,443

  • 三类肿瘤的标注框通常只占整张图片很小的一块,而“无肿瘤”的标注框框住的是整个脑部区域。

训练目标检测模型

  • 项目使用 yolo8.pt 作为初始权重,在脑部 MRI 图片上进行微调,训练 50 轮,输入尺寸为 640。
  • 图片输入模型后,模型预测目标的边界框、类别和置信度。
  • 在项目根目录运行 train.py 即可开始训练。

训练结果评估

  • 精确率表示模型画出的框中,类别判断正确的比例;召回率表示所有真实目标中,被模型找出来的比例。
  • mAP50 是检测任务的综合成绩:预测框和真实框重叠超过一半就算对,满分为 1。
  • 本文使用测试集的 246 张图片验证了 best.pt,结果为:精确率 94.8%,召回率 92.3%,mAP50 为 0.972。
  • 从各类别来看,胶质瘤的召回率最高,为 96.4%,它也是训练样本最多的类别。脑膜瘤为 94.5%,垂体瘤为 90.7%。
  • 无肿瘤的召回率为 87.8%,在四类中最低,有 5 张图片没有被检出。
  • 更严格的 mAP50-95 为 0.644,说明模型能准确找到病灶,但框的边界和标注还有一定偏差。肿瘤目标面积小,框的位置稍有偏移,对这个指标的影响就会比较明显。

第二步:指定 MRI 图片检测

加载检测权重

  • predict.py 默认加载项目根目录中的 best.pt,类别名称会同时输出英文和中文。

使用脚本识别图片

  • 在项目根目录执行如下命令,检测指定 MRI 图片中的病灶:
python predict.py
  • 脚本默认检测根目录下的 Te-me_0010.jpg,使用 640 输入尺寸和 0.25 置信度阈值,标注后的图片保存为 prediction_output.png。
  • 模型输出 Meningioma 0.81,表示判断为脑膜瘤,置信度约为 0.81。这张图片本身就是脑膜瘤样本,识别正确。
  • 一张图片中有多个检测框时,脚本返回置信度最高的那一个框的类别。

检测效果与适用范围

  • 项目还提供了 main.py,基于 Gradio 搭建了一个网页界面,上传 MRI 图片后即可查看标注结果。
  • 检测分数只表示模型对当前图片的判断程度,不能直接解释为患病概率,结果仅供学习研究参考,不能替代临床诊断。

总结

  • 以上就是基于 YOLO8 的脑部 MRI 图片检测项目的主要实现流程:准备带标注的四类 MRI 图片,微调 YOLO8 检测模型,再用最佳权重对图片进行检测和结果展示。
  • 测试集上模型的 mAP50 为 0.972,召回率为 92.3%。
  • 后续可以补充更多不同设备、不同扫描层面的 MRI 图片,进一步提升无肿瘤和垂体瘤的检出效果。
  • 感兴趣的小伙伴可以联系我.