医学图像分割系统新突破：基于Unet的皮肤病识别

DL00366-基于Unet的医学图像分割系统 用Unet来做医学图像分割。 我们将会以皮肤病的数据作为示范训练一个皮肤病分割的模型出来用户输入图像模型可以自动分割去皮肤病的区域和正常的区域。在医学图像处理领域图像分割就像给CT片上的肿瘤画重点。今天咱们用最经典的Unet网络从零开始打造一个皮肤病区域分割器。不需要高大上的设备准备一张显卡和你的Python环境就够了。先看数据怎么处理。皮肤病数据集通常包含RGB图片和对应的黑白mask病变区域标注为白色。咱们用albumentations做实时增强import albumentations as A train_transform A.Compose([ A.RandomRotate90(p0.5), A.HorizontalFlip(p0.5), A.VerticalFlip(p0.3), A.RandomBrightnessContrast(p0.2), A.Resize(256, 256) ])这个配置让模型在训练时看到更多样的图像——旋转、翻转、亮度变化。注意别把增强玩脱了医学图像的特征比自然图像敏感得多过度增强反而会让模型学偏。模型架构是重头戏。Unet的编码器部分像漏斗逐步提取特征解码器则像放大镜把特征还原到原图尺寸。关键在跳跃连接——把编码阶段的细节直接喂给解码器from tensorflow.keras import Model from tensorflow.keras.layers import Conv2D, MaxPooling2D, Conv2DTranspose, concatenate def unet(input_size(256,256,3)): inputs Input(input_size) c1 Conv2D(64, (3,3), activationrelu, paddingsame)(inputs) p1 MaxPooling2D((2,2))(c1) # ...中间层省略... # 解码器 u5 Conv2DTranspose(64, (2,2), strides(2,2), paddingsame)(c4) u5 concatenate([u5, c3]) # 跳跃连接 c5 Conv2D(64, (3,3), activationrelu, paddingsame)(u5) # ...输出层... return Model(inputs[inputs], outputs[outputs])注意concatenate那行这就是Unet的灵魂操作。编码器在pooling时丢失的空间信息通过直接拼接浅层特征得到补偿这对精确分割病灶边缘至关重要。DL00366-基于Unet的医学图像分割系统 用Unet来做医学图像分割。 我们将会以皮肤病的数据作为示范训练一个皮肤病分割的模型出来用户输入图像模型可以自动分割去皮肤病的区域和正常的区域。训练时有个小技巧——用带权重的交叉熵损失。皮肤病数据往往存在严重类别不平衡病变区域占比小这样能让模型更关注难例def dice_coeff(y_true, y_pred): smooth 1. y_true_f K.flatten(y_true) y_pred_f K.flatten(y_pred) intersection K.sum(y_true_f * y_pred_f) return (2. * intersection smooth) / (K.sum(y_true_f) K.sum(y_pred_f) smooth) model.compile(optimizerAdam(1e-4), lossbinary_crossentropy, metrics[dice_coeff])Dice系数这个指标比单纯准确率更靠谱因为它更关注预测区域和真实区域的覆盖面积比例。实际训练时如果指标卡住可以试着把学习率砍半继续练。预测阶段要注意输入输出对齐。模型输出的是概率图需要做后处理def predict(image_path): img load_img(image_path, target_size(256,256)) prob_map model.predict(np.expand_dims(img, 0))[0] mask (prob_map 0.5).astype(np.uint8) * 255 return mask阈值0.5是个经验值实际部署时可以根据ROC曲线调整。最终效果应该是输入一张皮肤病变图像输出对应的二值mask医生可以直接看到病灶轮廓。踩过的坑提醒1. 数据归一化别用ImageNet的均值方差医学图像有自己的分布2. 遇到显存不足时可以把batch_size调小到4或83. 输出层用sigmoid激活而不是softmax因为是二分类问题。