資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究使用 TensorFlow 在 Python 中進行皮膚癌檢測
任何疾病，尤其是癌症的早期檢測，對於治療階段都至關重要。朝著這個方向做出的努力之一是利用機器學習演算法，藉助 TensorFlow 等機器學習框架來檢測和診斷皮膚癌。
傳統的癌症檢測方法非常耗時，需要專業的皮膚科醫生。但是，藉助 TensorFlow，不僅可以加快這一過程，還可以使其更準確和高效。此外，那些無法及時獲得醫生和皮膚科醫生幫助的人，也可以暫時使用這種方法。
演算法
步驟 1 − 匯入 numpy、pandas、matplotlib 和 seaborn 等庫，並載入影像資料集並將其儲存為列表。
步驟 2 − 將此影像列表載入為 pandas 資料框，並提取列表中每個影像的兩個標籤。
步驟 3 − 為了簡單起見，將標籤轉換為符號 0 和 1，並藉助餅圖比較每個標籤下存在的影像數量。
步驟 4 − 如果不存在不平衡，則列印每個標籤的一些影像。
步驟 5 − 將資料集拆分為訓練集和測試集。
步驟 6 − 建立影像輸入管道。
步驟 7 − 使用 EfficientNet 架構建立和編譯模型。
步驟 8 − 至少訓練模型 5 個 epoch。
步驟 9 − 視覺化訓練損失和驗證損失之間的差異。
示例
在本示例中，我們將使用包含兩種型別影像的皮膚癌資料集，您可以在此處找到它。然後，我們將藉助 TensorFlow 開發一個模型，以便在無需大量訓練的情況下獲得所需的結果。為此，我們還將利用 EfficientNet 架構來獲取預訓練權重。
#import the required libraries
import numpy as np
import pandas as pd
import seaborn as sb
import matplotlib.pyplot as plt
from glob import glob
from PIL import Image
from sklearn.model_selection import train_test_split
import tensorflow as tf
from tensorflow import keras
from keras import layers
from functools import partial
AUTO = tf.data.experimental.AUTOTUNE
import warnings
warnings.filterwarnings('ignore')
#load the dataset
images = glob('train/*/*.jpg')
len(images)
#create dataset and extract labels
images = [path.replace('', '/') for path in images]
df = pd.DataFrame({'filepath': images})
df['label'] = df['filepath'].str.split('/', expand=True)[1]
print(df.head())
df['label_bin'] = np.where(df['label'].values == 'malignant', 1, 0)
df.head()
#check if both types of files are same in number
x = df['label'].value_counts()
plt.pie(x.values,
labels=x.index,
autopct='%1.1f%%')
plt.show()
#printing the images of the two categories
for cat in df['label'].unique():
temp = df[df['label'] == cat]
index_list = temp.index
fig, ax = plt.subplots(1, 4, figsize=(15, 5))
fig.suptitle(f'Images for {cat} category . . . .', fontsize=20)
for i in range(4):
index = np.random.randint(0, len(index_list))
index = index_list[index]
data = df.iloc[index]
image_path = data[0]
img = np.array(Image.open(image_path))
ax[i].imshow(img)
plt.tight_layout()
plt.show()
#split the dataset into train and test
features = df['filepath']
target = df['label_bin']
X_train, X_val,\
Y_train, Y_val = train_test_split(features, target,
test_size=0.15,
random_state=10)
X_train.shape, X_val.shape
def decode_image(filepath, label=None):
img = tf.io.read_file(filepath)
img = tf.image.decode_jpeg(img)
img = tf.image.resize(img, [224, 224])
img = tf.cast(img, tf.float32) / 255.0
if label == None:
return img
return img, label
#create pipelines for image input
train_ds = (
tf.data.Dataset
.from_tensor_slices((X_train, Y_train))
.map(decode_image, num_parallel_calls=AUTO)
.batch(32)
.prefetch(AUTO)
)
val_ds = (
tf.data.Dataset
.from_tensor_slices((X_val, Y_val))
.map(decode_image, num_parallel_calls=AUTO)
.batch(32)
.prefetch(AUTO)
)
#building the model architecture using Keras API
from tensorflow.keras.applications.efficientnet import EfficientNetB7
pre_trained_model = EfficientNetB7(
input_shape=(224, 224, 3),
weights='imagenet',
include_top=False
)
for layer in pre_trained_model.layers:
layer.trainable = False
from tensorflow.keras import Model
inputs = layers.Input(shape=(224, 224, 3))
x = layers.Flatten()(inputs)
x = layers.Dense(256, activation='relu')(x)
x = layers.BatchNormalization()(x)
x = layers.Dense(256, activation='relu')(x)
x = layers.Dropout(0.3)(x)
x = layers.BatchNormalization()(x)
outputs = layers.Dense(1, activation='sigmoid')(x)
model = Model(inputs, outputs)
model.compile(
loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
optimizer='adam',
metrics=['AUC']
)
#train the model for 5 epochs
history = model.fit(train_ds,
validation_data=val_ds,
epochs=5,
verbose=1)
#checking the loss
hist_df = pd.DataFrame(history.history)
hist_df.head()
#plotting line graph
hist_df['loss'].plot()
hist_df['val_loss'].plot()
plt.title('Loss v/s Validation Loss')
plt.legend()
plt.show()
hist_df['auc'].plot()
hist_df['val_auc'].plot()
plt.title('AUC v/s Validation AUC')
plt.legend()
plt.show()
我們首先載入儲存在本地系統中的影像，然後建立一個數據框來儲存所有檔案路徑和載入的標籤。儲存的標籤轉換為二進位制格式，其中惡性表示 1，其他標籤表示 0。
程式碼的後面部分繪製了一個餅圖，視覺化標籤類的分佈並計算每個類的出現次數。
然後，我們從每個類別中隨機選擇 4 張影像，並使用 Matplotlib 在 1x4 網格中列印它們。decode_image() 函式讀取影像檔案，對其進行解碼並調整影像大小。然後使用 fit() 方法訓練模型並執行訓練。然後，fit() 方法返回的歷史物件用於提取訓練損失和驗證損失。然後將這些值儲存在資料框中。
使用 Python 中的 Matplotlib 庫繪製損失和驗證損失值。
輸出
filepath label 0 train/benign/100.jpg benign 1 train/benign/1000.jpg benign 2 train/benign/1001.jpg benign 3 train/benign/1002.jpg benign 4 train/benign/1004.jpg benign
Epoch 1/5
71/71 [==============================] - 28s 356ms/step - loss: 0.5760 - auc: 0.7948 - val_loss: 1.8715 - val_auc: 0.7951
Epoch 2/5
71/71 [==============================] - 25s 348ms/step - loss: 0.4722 - auc: 0.8587 - val_loss: 0.8500 - val_auc: 0.8602
Epoch 3/5
71/71 [==============================] - 24s 336ms/step - loss: 0.4316 - auc: 0.8818 - val_loss: 0.7553 - val_auc: 0.8746
Epoch 4/5
71/71 [==============================] - 24s 331ms/step - loss: 0.4324 - auc: 0.8800 - val_loss: 0.9261 - val_auc: 0.8645
Epoch 5/5
71/71 [==============================] - 24s 344ms/step - loss: 0.4126 - auc: 0.8907 - val_loss: 0.8017 - val_auc: 0.8795
結論
儘管 TensorFlow 在皮膚癌檢測模型中表現足夠出色，但它也存在一些缺點，例如需要使用高計算能力或大量記憶體。因此，嘗試 PyTorch、Keras 和 MXNet 等其他框架，以探索機器學習領域中皮膚癌檢測的更多可能性，也並非壞主意。
764 次檢視
