肺炎是一種由感染引起的嚴(yán)重呼吸道疾病，特別是在高危人群中，可能會(huì)出現(xiàn)危及生命的并發(fā)癥。必須盡快診斷和治療肺炎，以最大限度地提高患者康復(fù)的機(jī)會(huì)。

診斷過(guò)程并不容易，需要一些醫(yī)學(xué)實(shí)驗(yàn)室工具和先進(jìn)的醫(yī)療技能，但我們可以使用深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)來(lái)構(gòu)建一個(gè)快速簡(jiǎn)便的工具，幫助醫(yī)生檢測(cè)肺炎。

我們可以使用稱(chēng)為OpenCV(https://opencv.org/)（開(kāi)源計(jì)算機(jī)視覺(jué)）的開(kāi)源計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)軟件庫(kù)創(chuàng)建用于圖像和視頻分析的應(yīng)用程序，例如 X 射線結(jié)果。Open CV 是一個(gè)用于執(zhí)行計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和圖像處理的開(kāi)源庫(kù)。

在本課中，我們將了解如何使用 OpenCV 識(shí)別胸部 X 光圖像中的肺炎。

安裝 OpenCV

安裝 OpenCV 是初始階段。根據(jù)你的操作系統(tǒng)，有多種安裝 OpenCV 的方法。以下是一些受歡迎的選擇：

Windows：在OpenCV (https://opencv.org/releases/) 主網(wǎng)站上使用預(yù)構(gòu)建的二進(jìn)制文件。

Linux：可以使用 Linux 發(fā)行版中包含的包管理器安裝 OpenCV。在終端中運(yùn)行以下指令，例如，在 Ubuntu 上：

Install libopencv-dev with sudo apt-get

Mac OS：可以使用 Homebrew 設(shè)置 OpenCV，應(yīng)在終端中輸入以下代碼。

Brew install opencv

加載 OpenCV 后，你可以使用以下 Python 代碼檢查它是否正常工作。

import cv2

print(cv2.__version__)

如果正確安裝了 OpenCV，你應(yīng)該會(huì)在終端中看到版本號(hào)。

下載數(shù)據(jù)集

接下來(lái)可以下載將用于訓(xùn)練我們的肺炎檢測(cè)算法的數(shù)據(jù)集。在本練習(xí)中，我們將使用來(lái)自 Kaggle 的胸部 X 光圖片（肺炎）數(shù)據(jù)集。

數(shù)據(jù)集：https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia

數(shù)據(jù)集中共有 5,856 張胸部 X 光圖像，分為肺炎和正常兩類(lèi)。

你必須注冊(cè) Kaggle 帳戶(hù)并同意數(shù)據(jù)集的條款才能獲取數(shù)據(jù)集。完成后，在終端中鍵入以下命令以獲取數(shù)據(jù)集：

kaggle datasets download -d paultimothymooney/chest-xray-pneumonia

將下載包含信息的 ZIP 文件。在你的本地計(jì)算機(jī)上創(chuàng)建一個(gè)子文件夾并提取 ZIP 文件。

準(zhǔn)備數(shù)據(jù)

然后必須為我們的肺炎識(shí)別模型的訓(xùn)練準(zhǔn)備數(shù)據(jù)。為了從當(dāng)前樣本中創(chuàng)建更多訓(xùn)練樣本，我們將采用一種稱(chēng)為數(shù)據(jù)增強(qiáng)的方法。

這樣做是為了提高模型的性能并更快地構(gòu)建模型。為了創(chuàng)建同一圖片的不同版本，數(shù)據(jù)增強(qiáng)涉及對(duì)圖像應(yīng)用隨機(jī)變換，例如旋轉(zhuǎn)、縮放和翻轉(zhuǎn)。

我們將制作兩個(gè)目錄來(lái)準(zhǔn)備數(shù)據(jù)：一個(gè)用于訓(xùn)練圖片，一個(gè)用于驗(yàn)證圖像。80%的圖片將用于訓(xùn)練，20%用于驗(yàn)證。

這是準(zhǔn)備信息的代碼：

import os

import shutil

import random

# Define the paths

input_dir = 'path/to/input/dir'

train_dir = 'path/to/train/dir'

val_dir = 'path/to/val/dir'

# Create the directories

os.makedirs(train_dir, exist_ok=True)

os.makedirs(val_dir, exist_ok=True)

# Get the list of images

image_paths = []

for root, dirs, files in os.walk(input_dir):

    for file in files:

        if file.endswith('.jpeg'):

            image_paths.append(os.path.join(root, file))

# Shuffle the images

random.shuffle(image_paths)

# Split

split_idx = int(0.8 * len(image_paths))

train_image_paths = image_paths[:split_idx]

val_image_paths = image_paths[split_idx:]

現(xiàn)在將圖像復(fù)制到目錄中。將“path/to/input/dir”更改為你在此代碼中提取信息的目錄路徑。要分別保存訓(xùn)練和驗(yàn)證圖像的目錄的路徑應(yīng)替換為“path/to/train/dir”和“path/to/val/dir”。

努力跟蹤和重現(xiàn)復(fù)雜的實(shí)驗(yàn)參數(shù)？工件是 Comet 工具箱中幫助簡(jiǎn)化模型管理的眾多工具之一。

閱讀我們的 PetCam 場(chǎng)景以了解更多信息：https://www.comet.com/site/blog/debugging-your-machine-learning-models-with-comet-artifacts/?utm_source=heartbeat&utm_medium=referral&utm_campaign=AMS_US_EN_AWA_heartbeat_CTA

訓(xùn)練模型

使用我們?cè)谇耙浑A段創(chuàng)建的訓(xùn)練圖像，我們現(xiàn)在必須訓(xùn)練肺炎檢測(cè)模型。我們模型的核心將是一個(gè)名為 VGG16 的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò) (CNN) 。

流行的 CNN 架構(gòu) VGG16 在經(jīng)過(guò)大量圖像數(shù)據(jù)集的訓(xùn)練后，在眾多圖像識(shí)別任務(wù)上取得了最先進(jìn)的成功。

下面是訓(xùn)練模型的代碼：

from tensorflow.keras.models import Model

from tensorflow.keras.layers import Dense, GlobalAveragePooling2D

from tensorflow.keras.applications import VGG16

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# Define the input shape of the images

input_shape = (224, 224, 3)

# Load the VGG16 model

base_model = VGG16(weights='imagenet', include_top=False, input_shape=input_shape)

# Add a global average pooling layer

x = base_model.output

x = GlobalAveragePooling2D()(x)

# Add a fully connected layer

x = Dense(128, activation='relu')(x)

# Add the output layer

output = Dense(1, activation='sigmoid')(x)

# Define the model

model = Model(inputs=base_model.input, outputs=output)

# Freeze the layers of the VGG16 model

for layer in base_model.layers:

    layer.trainable = False

# Compile the model

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# Define the data generators for training and validation

train_datagen = ImageDataGenerator(rescale=1./255,

                                   rotation_range=10,

                                   width_shift_range=0.1,

                                   height_shift_range=0.1,

                                   shear_range=0.1,

                                   zoom_range=0.1,

                                   horizontal_flip=True,

                                   fill_mode='nearest')

val_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(train_dir,

                                                    target_size=input_shape[:2],

                                                    batch_size=32,

                                                    class_mode='binary')

val_generator = val_datagen.flow_from_directory(val_dir,

                                                target_size=input_shape[:2],

                                                batch_size=32,

                                                class_mode='binary')

# Train the model

model.fit(train_generator,

          steps_per_epoch=len(train_generator),

          epochs=10,

          validation_data=val_generator,

          validation_steps=len(val_generator))

首先，我們將 ImageNet 數(shù)據(jù)集中的預(yù)訓(xùn)練權(quán)重加載到 VGG16 模型中。我們還包括一個(gè)具有 sigmoid 激活函數(shù)的輸出層、一個(gè)具有 128 個(gè)神經(jīng)元的完全連接層和一個(gè)全局平均池化層。VGG16 模型的層被凍結(jié)，使用 Adam 算法和二元交叉熵?fù)p失來(lái)構(gòu)建模型。之后，我們指定用于訓(xùn)練和驗(yàn)證的數(shù)據(jù)生成器，以擴(kuò)充數(shù)據(jù)并將像素值重新縮放到 [0, 1] 范圍。

使用擬合方法以及訓(xùn)練和驗(yàn)證數(shù)據(jù)生成器，我們訓(xùn)練模型 10 個(gè)時(shí)期。

評(píng)估模型

為了確定模型在訓(xùn)練后對(duì)新數(shù)據(jù)的泛化能力如何，我們必須評(píng)估其在測(cè)試集上的表現(xiàn)。為了評(píng)估模型，我們將使用數(shù)據(jù)集的測(cè)試集。此外，我們將顯示一些正確和錯(cuò)誤分類(lèi)圖像的插圖。

使用下面的代碼評(píng)估模型并顯示一些實(shí)例。

import numpy as np

import matplotlib.pyplot as plt

# Define the path to the test directory

test_dir = 'path/to/input/dir/chest_xray/test'

# Define the data generator for test

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(test_dir,

                                                  target_size=input_shape[:2],

                                                  batch_size=32,

                                                  class_mode='binary',

                                                  shuffle=False)

# Evaluate the model on the test set

loss, accuracy = model.evaluate(test_generator, steps=len(test_generator))

print(f'Test accuracy: {accuracy:.2f}')

# Get the predictions and true labels

predictions = model.predict(test_generator, steps=len(test_generator))

predictions = np.squeeze(predictions)

true_labels = test_generator.labels

# Get the image filenames

filenames = test_generator.filenames

# Find the indices of the correctly and incorrectly classified images

correct_indices = np.where((predictions >= 0.5) == true_labels)[0]

incorrect_indices = np.where((predictions >= 0.5) != true_labels)[0]

# Plot some correctly classified images

plt.figure(figsize=(10, 10))

for i, idx in enumerate(correct_indices[:9]):

    plt.subplot(3, 3, i+1)

    img = plt.imread(os.path.join(test_dir, filenames[idx]))

    plt.imshow(img, cmap='gray')

    plt.title('PNEUMONIA' if predictions[idx] >= 0.5 else 'NORMAL')

    plt.axis('off')

# Plot some incorrectly classified images

plt.figure(figsize=(10, 10))

for i, idx in enumerate(incorrect_indices[:9]):

    plt.subplot(3, 3, i+1)

    img = plt.imread(os.path.join(test_dir, filenames[idx]))

    plt.imshow(img, cmap='gray')

    plt.title('PNEUMONIA' if predictions[idx] >= 0.5 else 'NORMAL')

    plt.axis('off')

plt.show()

在這段代碼中，我們創(chuàng)建了一個(gè)測(cè)試和評(píng)估集數(shù)據(jù)生成器來(lái)評(píng)估模型。我們還獲得了測(cè)試集的預(yù)測(cè)和真實(shí)標(biāo)簽，并找到了正確和錯(cuò)誤分類(lèi)圖像的索引。然后，使用 Matplotlib，我們繪制了一些正確和錯(cuò)誤分類(lèi)圖像的實(shí)例。

結(jié)論

在本教程中，我們使用 OpenCV 和 TensorFlow 構(gòu)建了一個(gè)肺炎檢測(cè)模型。我們使用 OpenCV 讀取、處理和可視化圖像，并使用 TensorFlow 訓(xùn)練和測(cè)試模型。該模型成功地以高精度對(duì)大多數(shù)測(cè)試集的圖像進(jìn)行了分類(lèi)。