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.