第19章使用卷积神经网络（CNN）进行 肺结节自动检测。.pptxVIP

第19章使用卷积神经网络（CNN）进行肺结节自动检测

01项目基本介绍02核心技术03具体实现过程04项目小结

项目基本介绍第一部分

项目基本介绍本项目旨在构建一个基于Web的肺结节自动检测系统。用户能够通过网页上传DICOM格式的医学影像，系统会运用训练好的卷积神经网络（CNN）模型对影像进行分析，判断其中是否存在肺结节，并将检测结果展示给用户。核心功能模型训练与评估(准确率、分类报告、混淆矩阵等)绘制精确率?召回率曲线，评估模型性能

数据处理流程读取DICOM借助pydicom库读取影像，并进行归一化处理。→加载与划分从列表加载数据，使用train_test_split划分训练集和测试集。→构建数据集使用MindSpore的ds.NumpySlicesDataset构建可迭代的数据集。

模型训练策略使用MindSpore框架构建并训练CNN模型。定义了包含卷积层、池化层和全连接层的CNN网络结构，使用交叉熵损失函数和Adam优化器进行模型训练。在训练过程中，考虑了类别不平衡问题，通过计算类别权重来调整损失函数。

模型评估与性能分析准确率分类报告混淆矩阵生成混淆矩阵，直观展示模型在各类别上的预测结果分布。P-R曲线计算整体准确率，并生成分类报告，详细展示精确率、召回率和F1分数。绘制精确率-召回率曲线，评估模型在不同阈值下的性能表现。

核心技术第二部分

核心技术(1):MindSpore框架MindSpore：是一个开源的深度学习框架，具有高效、灵活等特点nn模块提供神经网络层和模型组件。如`nn.Conv2d`构建卷积层，`nn.MaxPool2d`构建池化层。ops模块提供各种操作符。如`ops.SoftmaxCrossEntropyWithLogits`定义交叉熵损失函数。ds模块用于创建和处理数据集。如`ds.NumpySlicesDataset`将numpy数组转换为可迭代数据集。TensorMindSpore中的核心数据结构，用于存储和处理张量数据，在模型训练和预测中传递数据。

核心技术(2):Numpy和PandasNumpy：Python中用于科学计算的基础库，提供了高效的多维数组对象和各种数学函数。在数据处理、模型训练和预测过程中，使用numpy数组进行数据存储和计算，如数据的重塑、矩阵运算等。强大的数据处理和分析库。虽然在本项目中未直接使用，但在处理大规模数据或数据清洗时可发挥重要作用。Pandas：

核心技术(3):Scikit-learn库1.train_test_split：用于将数据集划分为训练集和测试集，方便进行模型的训练和评估。2.compute_class_weight：用于计算类别权重，处理类别不平衡问题。3.accuracy_score、classification_report、confusion_matrix、precision_recall_curve、average_precision_score：用于评估模型的性能，分别计算准确率、分类报告、混淆矩阵、精确率?召回率曲线和平均精确率。

核心技术(4):Scikit-learn库用于读取和处理DICOM格式的医学影像文件，在本项目中，使用pydicom.dcmread函数。读取DICOM文件，并获取影像的像素数据。

核心技术(5):Matplotlib库用于绘制精确率?召回率曲线，直观展示模型的性能

具体实现过程第三部分

具体实现(1):环境准备项目运行前，需要安装以下核心Python库：MindSpore深度学习框架FlaskWeb应用框架PydicomDICOM影像处理Scikit-learn机器学习工具Matplotlib数据可视化Pillow图像处理库pipinstallmindsporepipinstallflaskpipinstallpydicompipinstallscikit-learnpipinstallmatplotlibpipinstallpillow

（1）环境准备与全局变量fromflaskimportFlask,render_template,request#从flask库导入Flask类、render_template和request函数，用于创建Flask应用、渲染模板和处理请求importnumpyasnp#导入numpy库，用于科学计算importmindsporeasms#导入MindSpore库，用于深度学习frommindsporeimportTensor,nn#从MindSpore库中导入Tenso