Искусственный интеллект в прикладных науках. Медицина

В медицинской области существует потребность в автоматической классификации изображений медицинских сканов, таких как снимки рентгеновских лучей, магнитно-резонансная томография (МРТ) или компьютерная томография (КТ). Это может помочь в быстрой и точной диагностике различных заболеваний, таких как рак, пневмония, инсульт и другие.

```python

import numpy as np

import matplotlib.pyplot as plt

import tensorflow as tf

from tensorflow.keras.preprocessing.image import ImageDataGenerator

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Загрузка данных

train_data_dir = 'path_to_training_data_directory'

test_data_dir = 'path_to_test_data_directory'

train_datagen = ImageDataGenerator(rescale=1./255)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(

train_data_dir,

target_size=(150, 150),

batch_size=32,

class_mode='binary')

test_generator = test_datagen.flow_from_directory(

test_data_dir,

target_size=(150, 150),

batch_size=32,

class_mode='binary')

# Создание модели CNN

model = Sequential([

Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),

MaxPooling2D(2, 2),

Conv2D(64, (3, 3), activation='relu'),

MaxPooling2D(2, 2),

Conv2D(128, (3, 3), activation='relu'),

MaxPooling2D(2, 2),

Conv2D(128, (3, 3), activation='relu'),

MaxPooling2D(2, 2),

Flatten,

Dense(512, activation='relu'),

Dense(1, activation='sigmoid')

])

# Компиляция модели

model.compile(loss='binary_crossentropy',

optimizer='adam',

metrics=['accuracy'])

# Обучение модели

history = model.fit(

train_generator,

steps_per_epoch=train_generator.samples/train_generator.batch_size,

epochs=10,

validation_data=test_generator,

validation_steps=test_generator.samples/test_generator.batch_size)

# График точности и потерь

plt.plot(history.history['accuracy'], label='accuracy')

plt.plot(history.history['val_accuracy'], label='val_accuracy')

plt.xlabel('Epoch')

plt.ylabel('Accuracy')

plt.legend

plt.show

```

Этот пример демонстрирует создание и обучение модели сверточной нейронной сети (CNN) для классификации медицинских изображений. Обратите внимание, что для запуска этого кода вам потребуется наличие набора данных медицинских изображений и указание правильных путей к этим данным в переменных `train_data_dir` и `test_data_dir`.

Разберем этапы кода подробнее.

1. Импорт библиотек:

```python

import numpy as np

import matplotlib.pyplot as plt

import tensorflow as tf

from tensorflow.keras.preprocessing.image import ImageDataGenerator

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

```

– `numpy` используется для работы с массивами чисел.

– `matplotlib.pyplot` используется для построения графиков.

– `tensorflow` – фреймворк глубокого обучения.

– `ImageDataGenerator` используется для предварительной обработки изображений перед подачей их в модель.

– `Sequential` используется для создания последовательной модели.

– `Conv2D`, `MaxPooling2D`, `Flatten` и `Dense` – типы слоев нейронной сети.

2. Загрузка данных:

```python

train_data_dir = 'path_to_training_data_directory'

test_data_dir = 'path_to_test_data_directory'

train_datagen = ImageDataGenerator(rescale=1./255)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(

train_data_dir,

target_size=(150, 150),

batch_size=32,

class_mode='binary')

test_generator = test_datagen.flow_from_directory(

test_data_dir,

target_size=(150, 150),

batch_size=32,

class_mode='binary')

```

– Здесь задаются пути к каталогам с обучающими и тестовыми данными.

– `ImageDataGenerator` используется для масштабирования значений пикселей в диапазоне от 0 до 1.

– `flow_from_directory` загружает изображения из указанных каталогов, изменяет их размер до 150x150 пикселей и разбивает их на пакеты размером 32 изображения.

3. Создание модели CNN:

```python

model = Sequential([

Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),

MaxPooling2D(2, 2),

Conv2D(64, (3, 3), activation='relu'),

MaxPooling2D(2, 2),

Conv2D(128, (3, 3), activation='relu'),

MaxPooling2D(2, 2),

Conv2D(128, (3, 3), activation='relu'),

MaxPooling2D(2, 2),

Flatten,

Dense(512, activation='relu'),

Dense(1, activation='sigmoid')

])

```

– Создается последовательная модель.

– Добавляются слои свертки (`Conv2D`) и слои пулинга (`MaxPooling2D`), которые позволяют модели извлекать признаки из изображений.

– Последние слои – полносвязные слои (`Dense`), которые выполняют классификацию.

4. Компиляция модели:

```python

model.compile(loss='binary_crossentropy',

optimizer='adam',

metrics=['accuracy'])

```

– Здесь модель компилируется с функцией потерь `binary_crossentropy`, оптимизатором `adam` и метрикой `accuracy` для оценки производительности модели во время обучения.

5. Обучение модели:

```python

history = model.fit(

train_generator,

steps_per_epoch=train_generator.samples/train_generator.batch_size,

epochs=10,

validation_data=test_generator,

validation_steps=test_generator.samples/test_generator.batch_size)

```

– Обучение модели происходит с использованием метода `fit`.