基于ResNet模型和Web部署的脑瘤检测

项目背景

本实践任务旨在利用深度学习技术对人脑中的脑瘤进行分类。我们的数据集包含四个主要类别：无肿瘤（no_tumor）、胶质瘤（glioma_tumor）、脑膜瘤（meningioma_tumor）和垂体瘤（pituitary_tumor）。这个任务的目标是通过分析脑部影像来自动检测和识别不同类型的脑瘤，从而有助于医生更快速、更准确地进行诊断。

项目目标

1. 训练模型进行脑瘤检测：我们将使用深度学习模型（主要采用ResNet架构）来对脑部影像进行训练，使其能够自动识别脑瘤的存在和类型。通过大量的训练数据，我们希望模型能够在影像中准确地定位和分类脑瘤，以提供有力的辅助诊断信息。
2. 将训练好的模型部署到Web网页中进行使用：一旦我们成功训练出一个稳健和准确的脑瘤检测模型，我们计划将其部署到一个用户友好的Web应用程序中。这将使医生和患者能够上传脑部影像，然后获得关于是否存在脑瘤以及其类型的实时反馈，从而提高了脑瘤诊断的效率和精度。

项目应用

这个项目的应用潜在广泛，主要包括提高医疗效率、降低医疗成本、改善医学研究、提高患者生存率和改善全球健康状况。通过自动脑瘤检测，可以加速诊断，减轻医生负担，降低治疗成本，并为医学研究提供重要数据。这有助于早期发现和治疗脑瘤，提高患者的生存率，尤其是对于恶性脑瘤。此外，远程医疗服务可以为偏远地区提供医疗支持，改善全球健康。这个项目具有广泛的社会和人道主义价值。

项目效果

请点击，观看gif动态

模型选择与依赖库

我们选择了ResNet（深度残差网络）作为我们的主要模型架构。ResNet已经在图像分类任务中表现出色，并且能够有效地处理深层网络。这种架构的特点是它通过跨层的残差连接来解决梯度消失和爆炸的问题，使得深度网络更容易训练。

我们将使用PyTorch作为深度学习框架，因为它提供了强大的工具和易用的接口，使模型训练和部署变得更加简单。另外，我们还将使用Flask来构建Web应用程序，以便将训练好的模型部署到网页中。Flask是一个轻量级的Python框架，非常适合快速搭建Web应用程序，并提供了与模型交互的接口。

项目目录

• Brain-Tumor-Test-Images
• data
• static
• temples
• app.py
• train.py
• bt_resnet50_model.pt

Brain-Tumor-Test-Images文件夹中存放的是测试图片。

data文件夹中存放的是训练数据（空的），请下载数据集，并将数据集中的Training和Testing两个文件夹解压到data文件夹中即可。

static是Web网页中需要显示的图片。

temples是Web网页显示所需的一些布局所用的html文件

app.py是启动Web网页的程序。

train.py是模型的创建和训练代码。

bt_resnet50_model.pt是模型训练好之后，保存的权重。在项目压缩包中没有，请下载并加压到该项目目录下。

项目运行

下载bt_resnet50_model.pt，并解压到当前项目目录下，随后启动终端，输入命令 python app.py 即可。可详见上述gif动态图。

如果想重新训练模型，请在项目目录下启动终端，输入命令 python train.py

代码及数据集下载