引言--做了什么？

通过对caffe已有模型进行finetune 实现医学图像CT肺 结节的预测与检测，并实现可视化!

思路--出发点是？

如果将CNN应用于医学图像，首要面对的问题是训练数据的缺乏。因为CNN的训练数据都需要有类别标号，这通常需要专家来手工标记。要是标记像ImageNet这样大规模的上百万张的训练图像，简直是不可想象的。 对于医学图像而言，得到大规模的训练数据是比较不容易的，那么可否使用finetune利用现成的ImageNet的图像来帮助医学图像的识别呢？ImageNet里面的图像（二维，彩色）没有医学图像，包含一些诸如鸟类、猫、狗、直升机等物体的识别，与医学图像（二维或三维，非彩色）相差很大。如果回答是肯定的话，是一件令人非常振奋的事情。

方案--怎么做？

首先是医学图像彩色化：http://blog.csdn.net/dcxhun3/article/details/51777794 其实这也是得到大师的指点的 然后是对样本的data augmentation，方可获得较多样本 再就是对彩色化的图像进行finetune训练

预测

利用finetune后的模型进行结节预测与检测。 caffe预测、特征可视化python接口调用 http://nbviewer.jupyter.org/url/www.openu.ac.il/home/hassner/projects/cnn_agegender/cnn_age_gender_demo.ipynb

代码和结果

借助 jupyter 也就是ipython notebook  现在还不知道怎么将imagenet_classify.ipynb源码上传 等学会了上传。你可以在相应路径下输入ipython notebook 启动 然后逐一将下面的路径复制运行 [python]  view plain  copy   import os   import numpy as np   import matplotlib.pyplot as plt   %matplotlib inline      #设置caffe源码所在的路径     caffe_root = '/usr/local/caffe/'   import sys   sys.path.insert(0, caffe_root + 'python')   import caffe      plt.rcParams['figure.figsize'] = (10, 10)   plt.rcParams['image.interpolation'] = 'nearest'   plt.rcParams['image.cmap'] = 'gray'      #加载均值文件    mean_filename='./imagenet_mean.binaryproto'   proto_data = open(mean_filename, "rb").read()   a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)   mean  = caffe.io.blobproto_to_array(a)[0]      #创建网络，并加载已经训练好的模型文件     nodule_net_pretrained='./mytask_train_iter_8000.caffemodel'   nodule_net_model_file='./deploy.prototxt'   nodule_net = caffe.Classifier(nodule_net_model_file, nodule_net_pretrained,                          mean=mean,                          channel_swap=(2,1,0),#RGB通道与BGR                           raw_scale=255,#把图片归一化到0~1之间                          image_dims=(256, 256))#设置输入图片的大小   (10, 3, 227, 227) [python]  view plain  copy   #预测分类及其可特征视化     nodule_list=['bg','nodule'] #类别表   example_image = './2.bmp'   input_image = caffe.io.load_image(example_image)#读取图片   _ = plt.imshow(input_image)#显示原图片      #预测结果   prediction = nodule_net.predict([input_image])   print 'predict bg or nodule:', nodule_list[prediction[0].argmax()]   predict bg or nodule: bg [python]  view plain  copy   #预测分类及其可特征视化     nodule_list=['bg','nodule'] #类别表   example_image = './136.bmp'   input_image = caffe.io.load_image(example_image)#读取图片   _ = plt.imshow(input_image)#显示原图片      #预测结果   prediction = nodule_net.predict([input_image])    print 'predict bg or nodule:', nodule_list[prediction[0].argmax()]   predict bg or nodule: nodule [python]  view plain  copy   def showimage(im):       if im.ndim == 3:           im = im[:, :, ::-1]       plt.set_cmap('jet')       plt.imshow(im)             def vis_square(data, padsize=1, padval=0):       data -= data.min()       data /= data.max()              # force the number of filters to be square       n = int(np.ceil(np.sqrt(data.shape[0])))       padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)       data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))              # tile the filters into an image       data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))       data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])              showimage(data)   age_net = caffe.Classifier(nodule_net_model_file, nodule_net_pretrained,                          channel_swap=(2,1,0),                          raw_scale=255,                          image_dims=(256, 256))      prediction = nodule_net.predict([input_image])   [python]  view plain  copy   _ = plt.imshow(input_image)   [python]  view plain  copy   filters = nodule_net.params['conv1'][0].data[:49] #conv1滤波器可视化   vis_square(filters.transpose(0, 2, 3, 1))   [python]  view plain  copy   feat = nodule_net.blobs['conv1'].data[4, :49]  #The first Conv layer output, conv1 (rectified responses of the filters above)   vis_square(feat, padval=1)  

哇塞，可视化成功~不得不佩服Python的强大