AI医生诊断肺炎

作者|Andre Ye
编译|Flin
来源|towardsdatascience

使用CNN识别胸部X光片中的肺炎

人工智能在现实世界中有多种应用，其中非常重要的一项是在医疗行业中的应用。在本文中，我将提供卷积神经网络如何从胸部X射线诊断肺炎的代码和过程。

导入库

让我们加载一些重要的库：

from keras.preprocessing.image 
import ImageDataGenerator, load_img from keras.models 
import Sequential from keras.layers 
import Conv2D, MaxPooling2D from keras.layers 
import Activation, Dropout, Flatten, Dense from keras 
import backend as K  
import os 
import numpy as np 
import pandas as np  
import matplotlib.pyplot as plt 
%matplotlib inline

了解数据

让我们了解数据。查看两个样本图像，一个处于正常状态，另一个处于肺炎状态。

import matplotlib.pyplot as plt
img_name = 'NORMAL2-IM-0588-0001.jpeg'
img_normal = load_img('../input/chest_xray/chest_xray/train/NORMAL/' + img_name)
plt.imshow(img_normal)
plt.show()

img_name = 'person63_bacteria_306.jpeg' 
img_pneumonia = load_img('../input/chest_xray/chest_xray/train/PNEUMONIA/ ' + img_name)  
print('PNEUMONIA') 
plt.imshow(img_pneumonia) plt.show()

准备数据以输入模型

设置一些重要的变量，例如图像，epoch等：

img_width, img_height = 150, 150
nb_train_samples = 5217
nb_validation_samples = 17
epochs = 20
batch_size = 16

图像宽度和图像高度均为150像素。将有5217个样本需要训练，17个样本需要验证（稍后我们将通过数据增强添加更多）。验证数据是用于评估训练期间损失函数的数据（与测试数据相反，用于评估训练后的度量）。训练将分为20个epoch，每组16幅图像。

指定图像的目录：

train_data_dir = '../input/chest_xray/chest_xray/train'
validation_data_dir = '../input/chest_xray/chest_xray/val'
test_data_dir = '../input/chest_xray/chest_xray/test'

最后，需要重塑图像：

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

因为图像是彩色的，所以每个像素有三个独立的颜色值，因此深度为3。如果图像像MNIST数据集一样是黑白的，那么深度为1。

创建模型

该模型将按照一个标准的CNN公式创建：多次重复卷积层、激活层和池化层，最后是Flatten层和标准全连接层。在最后添加一个dropout层以进一步正则化，然后是另一个全连接层（由两个激活函数包围）。

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))

我们可以通过调用model.layers获取有关层的信息。

我们还可以了解model.input和model.output的输入和输出应该是什么。

model.input的输出：

model.output的输出：

接下来，我们必须使用损失函数、优化器和度量来编译模型。在这种情况下，选择的损失函数是二元交叉熵（几乎是普遍选择）。选择的优化器是rmsprop，它依赖于图像中非常小的变化，在这种变化下分类工作做的很好。

编译代码如下：

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

数据扩充

只有17张图片需要验证，那么我们将如何获取更多数据？答案：数据扩充。

我们可以使用数据扩充来为我们提供更多用于训练、验证和测试的数据。

train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

要重新缩放，我们需要测试

test_datagen = ImageDataGenerator(rescale=1. / 255)

下面的代码使用 flow_from_directory直接将数据生成器应用于训练组目录中的图像。

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

以下代码为validation生成代码：

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

而这个用于test

test_generator = test_datagen.flow_from_directory(
    test_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

拟合模型

最后，我们可以拟合模型！将根据生成的数据拟合模型：

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

要保存模型的权重：

model.save_weights('first_try.h5')

评估模型性能

要评估模型在肺炎分类中的性能，请调用

scores = model.evaluate_generator(test_generator) 
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

输出为acc: 85.42%。

可视化预测

现在，我们可以可视化一些图像和预测。
预测“正常”的人：

一个预测为“肺炎”的人：

你可以想象这在医疗行业会有多大的帮助——人工智能可以在人类可能无法诊断肺炎的任务中提供很多帮助。

原文链接：https://towardsdatascience.com/doctor-ai-diagnoses-pneumonia-9b073013e226

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/