基于YOLO8的肺部CT肿瘤识别

前言

  • 本文介绍一种基于 YOLO8 的肺部 CT 肿瘤分类识别方法,通过深度学习模型提取 CT 图片中的图像特征,输出预测类别。
  • 项目处理的是整张 CT 图片的分类,当前流程不输出肿瘤位置框、分割轮廓或肿瘤大小。


  • 整体流程主要分为两步。
  • 第一步:准备肺部 CT 分类数据,将图片按类别整理到对应目录,使用 YOLO8进行训练。
  • 第二步:加载训练好的分类权重,对指定 CT 图片进行预测,展示结果。

介绍

  • 下面按照环境配置、数据准备、模型训练和分类应用的顺序介绍项目实现。

第一步:肺部 CT 分类模型训练

YOLO8 环境配置

  • 项目使用 Python 开发,模型训练与推理由 Ultralytics 完成。
  • 依赖安装:
pip install -r ultralytics

数据集准备与处理

  • 本地数据集名称为 Lung cancer。
  • 数据集共有 2000多 张 JPG 图片。实际检查发现,图片尺寸均为 224 × 224,保存模式均为 RGB。
  • 原始标注包含良性、恶性和正常三个基础类别,分别对应 Bengin case、Malignant case 和 Normal case。其中 Bengin 为原始标签中的拼写。
类别 训练集 验证集 测试集 合计
良性 285 24 4 313
恶性 1,221 109 22 1,352
正常 864 77 28 969
合计 2,370 210 54 2,634

训练分类模型

  • 项目使用 yolo8 作为初始权重。
  • 训练时,模型根据当前数据集的类别调整分类输出。
  • 图片输入模型后,网络提取特征并产生类别分数,预测时选择最高分对应的类别。
  • 在 Windows 下运行项目中的 train.py文件.

训练结果评估

  • 分类任务主要关注分类损失和分类准确率。
  • 分类损失用于观察训练过程中预测分布与标签的差异,验证集指标用于评估模型对未参与训练图片的表现。
  • Top-1 准确率表示最高分的类别与真实标签一致的比例。
  • 混淆矩阵、各类别精确率和召回率可以进一步反映良性、恶性和正常之间的误判情况。

第二步:指定 CT 图片分类识别

加载分类权重

  • 应用默认加载根目录中的 best.pt。
  • 可识别的肺部CT分类如下:
类别编号 英文类别 中文含义
0 Adenocarcinoma case 腺癌病例
1 Bengin cases 良性病例
2 Large cell Carcinoma case 大细胞癌病例
3 Malignant cases 恶性病例
4 Normal cases 正常病例
5 Squamous cell Carcinoma case 鳞状细胞癌病例

使用脚本识别图片

项目中的 predict.py 默认加载 best.pt,对指定的CT图片文件进行预测:

python predict.py
  • 分类分数表示模型对标签的相对判断,不能直接解释为患者患病概率。

总结

  • 以上就是基于 YOLO8 的肺部 CT 肿瘤分类识别项目的主要实现流程:,使用 YOLO8训练模型。
  • 本项目适合用于学习和研究图像分类技术。模型输出是图片分类预测,不能替代临床诊断。
  • 感兴趣的小伙伴可以联系我.