# 🏥 CTAI
基于深度学习的肿瘤辅助诊断系统
[![Build Status](https://dev.azure.com/1223398803/test/_apis/build/status/xming521.CTAI?branchName=master)](https://dev.azure.com/1223398803/test/_build/latest?definitionId=1&branchName=master)
系统以图像分割为核心,利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的**模型构建、后端架设和前端访问**功能。
医生只需通过web上传ct图像文件,后台就会使用训练好的模型进行肿瘤区域的分割,然后将勾画好肿瘤区域的图像返回,还有肿瘤区域的一些特征(如面积、周长、强度等),并且提供前几次诊断的特征数据并绘制成图表进行对比来辅助医生诊断。
<img width="600" height="100" src="https://github.com/xming521/picture/blob/master/QQ截图20200218193846.png"/>
## 觉得不错欢迎给star⭐哦
## ~~在线demo http://ct.xmzj.xyz/ 服务器到期~~
## 环境
- Python : **PyTorch 1.10.0 , OpenCV , Flask , TensorRT 8.5.1.7**
- Vue , Vue CLI
- Node : **axios , ElementUI , ECharts**
- Chrome(内核版本60以上)
## 训练
训练的数据来源于国外的数据集。因数据和精力有限只训练了针对直肠肿瘤模型。首先对CT文件进行整理,使用SimpleITK读取CT文件,读取肿瘤的掩膜文件并映射到肿瘤CT图像来获取肿瘤区域,然后进行数据的归一化,预处理后制作训练和测试的数据集。
使用**PyTorch框架**编写。使用**交叉熵损失函数**,**Adam优化器**。
网络结构采用**U-Net**,**U-Net**是基于FCN的一种语义分割网络,适用于做医学图像的分割。结构如下,实际使用稍有改动。
<img width="80%" height="80%" src="https://github.com/xming521/picture/blob/master/图片3.png"/>
训练过程如下:
<img width="50%" height="50%" src="https://github.com/xming521/picture/blob/master/图片4.png"/>
## 后端
整个系统采取前后分离的方案,确保足够轻量,低耦合。后端采用Python的Flask库,能与AI框架更好的结合,使得系统能更高内聚。
后端运行流程如下:
<img width="60%" height="60%" src="https://github.com/xming521/picture/blob/master/图片1.png"/>
目录管理:
| 目录 | 功能 |
| ---- | ---- |
| uploads | 直接上传目录 |
| tmp/ct | dcm文件副本目录 |
| tmp/image| dcm读取转换为png目录|
| tmp/mask | 预测结果肿瘤掩膜目录|
| tmp/draw | 勾画肿瘤后处理结果目录|
## 系统截图
<img width="60%" height="60%" src="https://github.com/xming521/picture/blob/master/图片32.png"/>
<img width="60%" height="60%" src="https://github.com/xming521/picture/blob/master/图片31.png"/>
<img width="60%" height="60%" src="https://github.com/xming521/picture/blob/master/图片2(1).png"/>
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
【资源说明】 基于Python+Flask+Vue+PyTorch+OpenCV深度学习的肿瘤辅助诊断系统 以图像分割为核心,利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断有完整的模型、后端架设、工业级部署+前端访问功能TensorRT、PyTorch、OpenCV、Python+Flask、Vue源码+部署文档+全部数据资料 高分项目.zip 【备注】 1、该项目是个人高分项目源码,已获导师指导认可通过,答辩评审分达到95分 2、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 3、本项目适合计算机相关专业(人工智能、通信工程、自动化、电子信息、物联网等)的在校学生、老师或者企业员工下载使用,也可作为毕业设计、课程设计、作业、项目初期立项演示等,当然也适合小白学习进阶。 4、如果基础还行,可以在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 欢迎下载,沟通交流,互相学习,共同进步!
资源推荐
资源详情
资源评论
收起资源包目录
基于Python+Flask+Vue+PyTorch+OpenCV深度学习的肿瘤辅助诊断系统 以图像分割为核心,利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断有完整的模型、后端架设、工业级部署+前端访问功能TensorRT、PyTorch、OpenCV、Python+Flask、Vue源码+部署文档+全部数据资料 高分项目.zip (61个子文件)
CTAI-master
.gitattributes 102B
CTAI_tensorRT
to_oonx.py 1KB
main.py 4KB
CTAI_flask
app.py 3KB
data
testfile.zip 780KB
core
__init__.py 0B
main.py 352B
get_feature.py 7KB
predict.py 905B
process.py 2KB
net
__init__.py 0B
unet.py 2KB
requirements.txt 86B
static
index.html 312B
CTAI_web
.editorconfig 357B
babel.config.js 53B
src
App.vue 564B
assets
style.css 4KB
main.js 873B
components
Footer.vue 488B
Header.vue 3KB
Content.vue 41KB
theme
index.css 227KB
fonts
element-icons.woff 28KB
element-icons.ttf 55KB
dist
js
chunk-vendors.3d029196.js.map 7.43MB
app.9d6ce45d.js.map 93KB
app.9d6ce45d.js 20KB
chunk-vendors.3d029196.js 1.57MB
css
app.e4df34fe.css 236KB
chunk-vendors.728eb7d9.css 228KB
favicon.ico 1KB
index.html 841B
fonts
element-icons.535877f5.woff 28KB
element-icons.732389de.ttf 55KB
package.json 1KB
public
favicon.ico 1KB
index.html 557B
package-lock.json 500KB
vue.config.js 214B
README.md 12B
azure-pipelines.yml 576B
CTAI_model
cv
__init__.py 0B
get_ROI-all.py 3KB
get_ROI-one.py 2KB
get_all_feature.py 9KB
utils
draw.py 930B
dice_loss.py 1KB
校验文件.py 1KB
transform.py 2KB
net
__init__.py 0B
unet.py 2KB
train.py 4KB
test.py 2KB
requirements.txt 194B
data_set
__init__.py 1B
make.py 6KB
.gitignore 51B
README.md 3KB
Flask系统部署文档.md 3KB
171265889347208773632.zip 416B
共 61 条
- 1
资源评论
不走小道
- 粉丝: 3210
- 资源: 5120
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功