当前位置： 首页 > news >正文

邹城网站建设zczwxx,网络搜索优化,响应式网站的登录设置,中山建设招聘信息网站温馨提示#xff1a;文末有 CSDN 平台官方提供的学长 QQ 名片 :) 1. 项目简介 眼部疾病的早期诊断对于防止视力下降乃至失明至关重要。然而#xff0c;专业的医疗资源分布不均#xff0c;尤其是在偏远地区#xff0c;人们很难获得专业的眼科医生提供的及时诊断服务。本系统… 温馨提示文末有 CSDN 平台官方提供的学长 QQ 名片 :)  1. 项目简介 眼部疾病的早期诊断对于防止视力下降乃至失明至关重要。然而专业的医疗资源分布不均尤其是在偏远地区人们很难获得专业的眼科医生提供的及时诊断服务。本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络CNN利用眼部疾病影像数据进行模型训练与验证预测AUC达到 94.9%使用Flask框架结合Bootstrap前端技术搭建了一个交互式的分析预测平台该系统可以大大提高疾病诊断的准确性和效率为临床决策提供支持同时也能缓解医疗资源紧张的问题。 B站系统演示视频基于深度学习的眼部疾病检测识别系统_哔哩哔哩_bilibili 2. 眼部疾病数据集读取与预处理 使用 Tensorflow 框架的 tf.keras.preprocessing.image_dataset_from_directory 函数从数据集文件夹中加载眼部图片数据同时进行训练集和验证集的切分 train_ds tf.keras.preprocessing.image_dataset_from_directory(./dataset/, #数据集目录label_modecategorical, #标签模式根据目录生成validation_split0.2, # 验证集比例为20%subsettraining, #这是个训练集seed42 , #随机种子,保证划分一致 image_size(img_size, img_size), #图像大小batch_sizebatch_size )val_ds tf.keras.preprocessing.image_dataset_from_directory(./dataset/,label_modecategorical,validation_split0.2,subsetvalidation,seed42 , #随机种子,保证划分一致 image_size(img_size, img_size),batch_sizebatch_size) 对加载的数据集进行样本的可视化 共包含四种类别 白内障Cataract、糖尿病视网膜病变Diabetic Retinopathy、青光眼Glaucoma、正常Normal各类别样本数量分布如下 3. 卷积神经网络模型构建 卷积神经网络Convolutional Neural Networks, CNN是一种专门用于处理具有类似网格结构的数据的深度学习模型例如图像。CNN在计算机视觉领域取得了巨大的成功尤其是在图像识别、目标检测和图像生成等方面。 关键特点 局部感受野CNN通过卷积层捕捉输入数据的局部特征每个神经元只与输入数据的一个局部区域相连接权重共享在卷积层中同一个卷积核的权重在整个输入数据上共享这减少了模型参数的数量提高了训练效率池化层CNN通常在卷积层之后使用池化层来降低特征维度减少计算量同时保持特征的不变性层次结构CNN通过多个卷积和池化层的堆叠逐渐提取从低级到高级的特征。 Tensorflow是一个开源的机器学习框架而Keras是一个高级API它可以运行在Tensorflow之上使得构建和训练神经网络变得更加简单。 model models.Sequential([layers.experimental.preprocessing.Rescaling(1./255, input_shape(img_size, img_size, 3)),layers.Conv2D(32, (3, 3), activationrelu, input_shape(img_size, img_size, 3)), # 卷积层1卷积核3*3 layers.MaxPooling2D((2, 2)), # 池化层12*2采样# ……layers.Dropout(0.2), layers.Flatten(), # Flatten层连接卷积层与全连接层layers.Dense(128, activationrelu), # 全连接层特征进一步提取layers.Dense(len(class_names)) # 输出层输出预期结果 ])model.summary() # 打印网络结构 完成卷积神经网络模型构建后进行模型的编译 initial_learning_rate 1e-3lr_schedule tf.keras.optimizers.schedules.ExponentialDecay(initial_learning_rate, #设置初始学习率decay_steps64, #每隔多少个step衰减一次decay_rate0.94, #衰减系数staircaseTrue )# 将指数衰减学习率送入优化器 optimizer tf.keras.optimizers.Adam(learning_ratelr_schedule)model.compile(optimizeroptimizer,losstf.keras.losses.CategoricalCrossentropy(from_logitsTrue),metrics[accuracy])

1. 模型训练与验证 结合 EarlyStopping 与 ModelCheckpoint在模型训练过程中保存性能最好的模型权重同时根据验证集的预测准确率进行模型训练的早停。 from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStoppingepochs 100# 保存最佳模型参数 checkpointer ModelCheckpoint(best_model.h5,monitorval_accuracy,verbose1,save_best_onlyTrue)# 设置早停 earlystopper EarlyStopping(monitorval_accuracy, min_delta0.001,patience10, verbose1)history model.fit(train_ds,validation_dataval_ds,epochsepochs,callbacks[checkpointer, earlystopper] ) Epoch ¹⁄₁₀₀ ¹⁰⁶⁄₁₀₆ [] - ETA: 0s - loss: 0.9847 - accuracy: 0.5560 Epoch 1: val_accuracy improved from -inf to 0.68565, saving model to best_model.h5…… Epoch ⁹⁄₁₀₀ ¹⁰⁶⁄₁₀₆ [] - ETA: 0s - loss: 0.3543 - accuracy: 0.8586 Epoch 9: val_accuracy improved from 0.85409 to 0.87663, saving model to best_model.h5 ¹⁰⁶⁄₁₀₆ [] - 9s 88ms/step - loss: 0.3543 - accuracy: 0.8586 - val_loss: 0.3334 - val_accuracy: 0.8766 Epoch ¹⁰⁄₁₀₀ ¹⁰⁶⁄₁₀₆ [] - ETA: 0s - loss: 0.3179 - accuracy: 0.8743 Epoch 10: val_accuracy improved from 0.87663 to 0.88375, saving model to best_model.h5 ¹⁰⁶⁄₁₀₆ [] - 10s 90ms/step - loss: 0.3179 - accuracy: 0.8743 - val_loss: 0.3191 - val_accuracy: 0.8837…… Epoch 20: early stopping 模型完成训练后保存验证集中预测准确率最高的模型权重进行模型的性能评估

   获取疾病标签名称列表

   创建一个范围表示 x 轴上每个标签的位置

   x np.arange(len(class_names))

   设置柱状图的宽度

   width 0.80 fig, ax plt.subplots(figsize(8, 6), dpi80) rects ax.bar(x, cate_auc, width, color#EEC900) ax.set_ylabel(AUC Score) ax.set_xlabel(标签) ax.set_title(不同类型眼病模型预测 AUC Score 分布) ax.set_xticks(x, class_names) ax.bar_label(rects, padding3) fig.tight_layout() plt.show() 可以看出 白内障Cataract预测 AUC97.21%、糖尿病视网膜病变Diabetic Retinopathy的预测 AUC99.99%、青光眼Glaucoma的预测 AUC86.82%、正常Normal的预测 AUC95.67%。 5. 眼部疾病检测识别系统 利用 Flask  Bootstrap 框架搭建响应式布局的交互分析 web 系统利用 keras load_model 加载训练好的性能最佳的模型提供标准化 rest api提供眼部疾病的在线识别功能。 5.1 系统首页 5.2 卷积神经网络介绍 5.3 眼部疾病在线检测 1糖尿病视网膜病变Diabetic Retinopathy的预测样例 2青光眼Glaucoma的预测样例  3白内障Cataract的预测样例  4眼部正常Normal的预测样例  6. 结论  本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络CNN利用眼部疾病影像数据进行模型训练与验证预测AUC达到 94.9%使用Flask框架结合Bootstrap前端技术搭建了一个交互式的分析预测平台该系统可以大大提高疾病诊断的准确性和效率为临床决策提供支持同时也能缓解医疗资源紧张的问题。 欢迎大家点赞、收藏、关注、评论啦 由于篇幅有限只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :) 精彩专栏推荐订阅 1. Python-数据挖掘实战案例 2. Python-深度学习实战案例 3. Python-管理系统实战案例