青岛响应式网站设计,公司网站制作需要什么步骤,app开发一个多少钱,亚马逊amz123阿尔茨海默症#xff08;Alzheimer’s disease#xff09;是一种常见的神经退行性疾病#xff0c;主要表现为记忆丧失、认知能力下降以及行为和人格改变。随着全球老龄化问题的加剧#xff0c;阿尔茨海默症的发病率也在逐年上升#xff0c;给患者及其家庭带来了巨大的经济…阿尔茨海默症Alzheimer’s disease是一种常见的神经退行性疾病主要表现为记忆丧失、认知能力下降以及行为和人格改变。随着全球老龄化问题的加剧阿尔茨海默症的发病率也在逐年上升给患者及其家庭带来了巨大的经济和心理负担。早期检测和诊断对于延缓疾病的进展、提高患者生活质量至关重要。然而传统的诊断方式往往依赖于临床症状的观察和神经心理测试可能无法及时发现早期的病理变化。因此发展一种高效、准确的自动化检测系统成为医学研究的重点之一。
本文提出了一种基于YOLOV8深度学习算法的阿尔茨海默症检测与诊断系统旨在通过医学影像实现阿尔茨海默症的自动化检测和早期诊断。YOLOV8作为一种先进的目标检测算法具有极高的检测精度和实时性。我们充分利用其优势将其应用于阿尔茨海默症的检测中通过对大脑影像数据的分析自动识别可能的病变区域。为此我们构建了一个完整的系统框架包括数据预处理、模型训练、推理和结果可视化等模块。
首先我们选择了一个开源的医学影像数据集涵盖了大量阿尔茨海默症患者和健康个体的脑部影像数据。通过对数据集进行清洗、标注和增强处理我们确保了模型能够在训练过程中学习到有效的特征。接下来基于YOLOV8模型我们设计了适合医学影像特点的网络架构对模型进行优化训练。在训练过程中我们采用了交叉验证和超参数调优等技术进一步提升了模型的检测精度和泛化能力。
此外为了方便临床医生和研究人员的使用我们开发了一个基于PyQt5的图形用户界面GUI。该界面友好且易于操作用户可以通过界面加载医学影像启动模型进行推理并在界面上实时显示检测结果。检测到的病变区域将被标注在影像上同时系统会生成详细的诊断报告提供包括病变位置、大小和风险评分等关键信息。这一功能不仅提高了诊断效率还为医生的决策提供了数据支持。
本文提出的检测系统在医学影像中能够高效、准确地识别阿尔茨海默症的病变区域。在多个测试数据集上系统均表现出了较高的准确率和召回率与现有的检测方法相比具有显著的优势。此外系统的扩展性和实用性也得到了验证其可通过进一步训练和调整应用于其他神经退行性疾病的检测和分析。
总的来说该基于YOLOV8深度学习的阿尔茨海默症检测与诊断系统为临床应用提供了一种自动化、智能化的工具能够有效辅助医生进行早期诊断。未来我们计划进一步扩展数据集的多样性优化模型的性能并在临床环境中进行实际测试以提升系统的实用性和准确性。
算法流程 项目数据
通过搜集关于数据集为各种各样的阿尔兹海默症相关图像并使用Labelimg标注工具对每张图片进行标注分4个检测类别分别是”SevereDemented”,”VeryMildDemented”,”MildDemented”,”NonDemented”,”ModerateDemented”。
目标检测标注工具 1labelimg:开源的图像标注工具标签可用于分类和目标检测它是用python写的并使用Qt作为其图形界面简单好用虽然是英文版的。其注释以 PASCAL VOC格式保存为XML文件这是ImageNet使用的格式。此外它还支持 COCO数据集格式。 2安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple 结束后在cmd中输入labelimg 初识labelimg 打开后我们自己设置一下
在View中勾选Auto Save mode 接下来我们打开需要标注的图片文件夹 并设置标注文件保存的目录上图中的Change Save Dir 接下来就开始标注画框标记目标的label然后d切换到下一张继续标注不断重复重复。 Labelimg的快捷键 3数据准备 这里建议新建一个名为data的文件夹这个是约定俗成不这么做也行里面创建一个名为images的文件夹存放我们需要打标签的图片文件再创建一个名为labels存放标注的标签文件最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。
data的目录结构如下 │─img_data │─images 存放需要打标签的图片文件 │─labels 存放标注的标签文件 └ classes.txt 定义自己要标注的所有类别这个文件可有可无但是在我们定义类别比较多的时候最好有这个创建一个这样的txt文件来存放类别
首先在images这个文件夹放置待标注的图片。 生成文件如下: “classes.txt”定义了你的 YOLO 标签所引用的类名列表。 4YOLO模式创建标签的样式
存放标签信息的文件的文件名为与图片名相同内容由N行5列数据组成。 每一行代表标注的一个目标通常包括五个数据从左到右依次为类别id、x_center、y_center、width、height。 其中 –x类别id代表标注目标的类别 –x_center和y_center代表标注框的相对中心坐标 –xwidth和height代表标注框的相对宽和高。
注意这里的中心点坐标、宽和高都是相对数据 存放标签类别的文件的文件名为classes.txt (固定不变)用于存放创建的标签类别。
完成后可进行后续的yolo训练方面的操作。
模型训练
模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一个SOTA模型它建立在Yolo系列历史版本的基础上并引入了新的功能和改进点以进一步提升性能和灵活性使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数可在CPU到GPU的多种硬件平台上运行。 YOLOv8是Yolo系列模型的最新王者各种指标全面超越现有对象检测与实例分割模型借鉴了Yolov5、Yolov6、YoloX等模型的设计优点在全面提升改进Yolov5模型结构的基础上实现同时保持了Yolov5工程化简洁易用的优势。
Yolov8模型网络结构图如下图所示 2.数据集准备与训练
本研究使用了包含各种阿尔兹海默症相关图像的数据集并通过Labelimg标注工具对每张图像中的目标边框Bounding Box及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致包括数据集准备、模型训练、模型评估。本次标注的目标类别为阿尔兹海默症数据集中共计包含3288张图像其中训练集占2572张验证集占716张。部分图像如下图所示 部分标注如下图所示 图片数据的存放格式如下在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入datasets目录下。 接着需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。 data.yaml的具体内容如下 train: E:/Alzheimer’sDdiseaseObjective_v8/datasets/train/images 训练集的路径 val: E:/Alzheimer’sDdiseaseObjective_v8/datasets/val/images 验证集的路径 # test: E:/Alzheimer’sDdiseaseObjective_v8/datasets/test/images 测试集的路径
nc: 5 模型检测的类别数共有5个类别。 names: [“SevereDemented”,”VeryMildDemented”,”MildDemented”,”NonDemented”,”ModerateDemented”]
这个文件定义了用于模型训练和验证的数据集路径以及模型将要检测的目标类别。
数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小(根据内存大小调整最小为1)。
CPU/GPU训练代码如下 加载名为 yolov8n.pt 的预训练YOLOv8模型yolov8n.pt是预先训练好的模型文件。 使用YOLO模型进行训练主要参数说明如下 1datadata_yaml_path: 指定了用于训练的数据集配置文件。 2epochs150: 设定训练的轮数为150轮。 3batch4: 指定了每个批次的样本数量为4。 4optimizer’SGD’):SGD 优化器。 7name’train_v8′: 指定了此次训练的命名标签用于区分不同的训练实验。
3.训练结果评估
在深度学习的过程中我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练主要涉及三类损失定位损失box_loss、分类损失cls_loss以及动态特征损失dfl_loss。训练完成后相关的训练过程和结果文件会保存在 runs/ 目录下具体如下 各损失函数作用说明 定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准 分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准 动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss可以更准确地调整预测框的位置提高目标检测的准确性。
训练结果如下 这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势具体如下
train/box_loss 1这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。 2随着训练的进行损失值逐渐减少表示模型在预测物体位置时的精度不断提高。
train/cls_loss 1这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。 2表示模型在分类物体时的误差。损失值逐渐降低说明模型的分类性能在不断提升。
train/dfl_loss 1这是分布聚焦损失distribution focal loss用于帮助模型对目标框的精确定位。 2主要用于提高定位精度。下降趋势表明模型在定位物体时变得更加精确。
metrics/precision(B) 1这是训练集上的精度precision曲线。精度表示模型在检测到的目标中有多少是真正的目标。 2精确率接近1.0表明模型的误报率较低。
metrics/recall(B) 1这是训练集上的召回率recall曲线。召回率表示模型检测出的真实目标的比例。 2召回率随着训练逐渐提高表明模型检测出更多的真实物体。
val/box_loss 1这是验证集上的边界框损失曲线。 2随着验证的进行损失值逐渐下降表示模型在未见过的数据上也能有效地预测物体位置。
val/cls_loss 1这是验证集上的分类损失曲线。 2损失值降低表明模型在验证集上的分类性能也在提升。
val/dfl_loss 1这是验证集上的分布聚焦损失曲线。 2下降趋势说明模型在未见过的数据上的定位性能有所提高。
metrics/mAP50(B) 1这是验证集上的mAP50曲线表示在交并比阈值为0.5时模型的平均精度mean Average Precision。 2随着训练的进行mAP值提高表示模型在检测物体时的准确性不断提高。
metrics/mAP50-95(B) 1这是验证集上的mAP50-95曲线表示在不同交并比阈值从0.5到0.95下模型的平均精度。 2这是衡量模型综合检测性能的指标。数值逐渐上升表明模型在各个IoU阈值下的表现都在提升。
该图展示了模型在不同阶段的训练和验证性能表明模型训练得到了良好的效果并在验证集上取得了不错的表现。 这张图展示的是 Precision-Recall 曲线用于评估模型在不同类别下的检测性能。以下是详细解释
PR曲线分析 1.每种颜色代表一个不同的类别具体如下 1SevereDemented严重痴呆0.993 2VeryMildDemented非常轻微痴呆0.985 3MildDemented轻微痴呆0.976 4NonDemented非痴呆0.982 5ModerateDemented中度痴呆0.995 2.所有类别粗蓝线显示了所有类别的整体性能平均精确度mAP为0.986IoU阈值为0.5。
曲线行为 1较高的精确率和召回率接近1.0 表明模型的检测性能良好。 2对于每个类别曲线接近图表的右上角这表明模型在所有痴呆阶段的检测中精确率和召回率都表现得很好。 3曲线越接近右上角精确率和召回率都为1.0性能越好。所有类别的曲线都接近理想区域。
SevereDemented严重痴呆和ModerateDemented中度痴呆类别的精确率和召回率得分最高表明模型在检测这些阶段时表现尤为出色。 模型在所有类别中的表现都很稳定mAP0.5为0.986这表明它能够以较高的置信度准确检测阿尔茨海默病的不同阶段。
4.检测结果识别
模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。 imgTest.py 图片检测代码如下 加载所需库 1from ultralytics import YOLO导入YOLO模型类用于进行目标检测。 2import cv2导入OpenCV库用于图像处理和显示。
加载模型路径和图片路径 1path ‘models/best.pt’指定预训练模型的路径这个模型将用于目标检测任务。 2img_path “TestFiles/0229.png”指定需要进行检测的图片文件的路径。
加载预训练模型 1model YOLO(path, task’detect’)使用指定路径加载YOLO模型并指定检测任务为目标检测 (detect)。 2通过 conf 参数设置目标检测的置信度阈值通过 iou 参数设置非极大值抑制NMS的交并比IoU阈值。
检测图片 1results model(img_path)对指定的图片执行目标检测results 包含检测结果。
显示检测结果 1res results[0].plot()将检测到的结果绘制在图片上。 2cv2.imshow(“YOLOv8 Detection”, res)使用OpenCV显示检测后的图片窗口标题为“YOLOv8 Detection”。 3cv2.waitKey(0)等待用户按键关闭显示窗口
此代码的功能是加载一个预训练的YOLOv8模型对指定的图片进行目标检测并将检测结果显示出来。
执行imgTest.py代码后会将执行的结果直接标注在图片上结果如下 这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果具体内容如下
图像信息 1处理的图像路径为TestFiles/imagetest.jpg。 2图像尺寸为 640×640 像素。
检测结果 1模型在该图片上检测到 1 个严重痴呆”1 SevereDemented”
处理速度 1预处理时间 14.4 毫秒 2推理时间 5.0 毫秒 3后处理时间 168.1 毫秒
模型在处理图片时非常高效成功检测出 1 个看屏幕实例并将结果保存到了指定目录。
运行效果
– 运行 MainProgram.py 1.主要功能 1可用于实时检测目标图片中的阿尔兹海默症; 2支持图片、视频及摄像头进行检测同时支持图片的批量检测 3界面可实时显示目标位置、目标总数、置信度、用时等信息; 4支持图片或者视频的检测结果保存。
2.检测结果说明 这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释
用时Time taken: 1这表示模型完成检测所用的时间为0.009秒。 2这显示了模型的实时性检测速度非常快。
目标数目Number of objects detected: 1检测到的目标数目为1表示这是当前检测到的第1个目标。
目标选择(下拉菜单)全部: 1这里有一个下拉菜单用户可以选择要查看的目标类型。 2在当前情况下选择的是“全部”意味着显示所有检测到的目标信息。
类型Type: 1当前选中的行为类型为 “中度痴呆”表示系统正在高亮显示检测到的“ModerateDemented”。
置信度Confidence: 1这表示模型对检测到的目标属于“中度痴呆”类别的置信度为98.74%。 2置信度反映了模型的信心置信度越高模型对这个检测结果越有信心。
目标位置Object location: 1xmin: 2, ymin: 0目标的左上角的坐标(xmin, ymin)表示目标区域在图像中的位置。 2xmax: 1078, ymax: 1075目标的右下角的坐标(xmax, ymax)表示目标区域的边界。
这些坐标表示在图像中的目标区域范围框定了检测到的“中度痴呆”的位置。
这张图展示了阿尔兹海默症的一次检测结果包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果提升阿尔兹海默症检测诊断的效率。
3.图片检测说明 1极轻度痴呆 2轻度痴呆 3无痴呆 4中度痴呆 5重度痴呆 点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹。 操作演示如下 1点击目标下拉框后可以选定指定目标的结果信息进行显示。 2点击保存按钮会对检测结果进行保存存储路径为save_data目录下。
检测结果系统识别出图片中的阿尔兹海默症并显示检测结果包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。
4.视频检测说明 点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。 点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。
检测结果系统对视频进行实时分析检测到阿尔兹海默症并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。
这个界面展示了系统对视频帧中的多目标检测能力能够准确识别阿尔兹海默症并提供详细的检测结果和置信度评分。
5.摄像头检测说明 点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。
检测结果系统连接摄像头进行实时分析检测到阿尔兹海默症并显示检测结果。实时显示摄像头画面并将检测到的行为位置标注在图像上表格下方记录了每一帧中检测结果的详细信息。
6.保存图片与视频检测说明 点击保存按钮后会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。 检测的图片与视频结果会存储在save_data目录下。 保存的检测结果文件如下 图片文件保存的csv文件内容如下包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。 注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。 1图片保存 2视频保存 – 运行 train.py 1.训练参数设置 1datadata_yaml_path: 使用data.yaml中定义的数据集。 2epochs150: 训练的轮数设置为150轮。 3batch4: 每个批次的图像数量为4批次大小。 4name’train_v8′: 训练结果将保存到以train_v8为名字的目录中。 5optimizer’SGD’: 使用随机梯度下降法(SGD)作为优化器。
虽然在大多数深度学习任务中GPU通常会提供更快的训练速度。 但在某些情况下可能由于硬件限制或其他原因用户需要在CPU上进行训练。
温馨提示在CPU上训练深度学习模型通常会比在GPU上慢得多尤其是像YOLOv8这样的计算密集型模型。除非特定需要通常建议在GPU上进行训练以节省时间。
2.训练日志结果 这张图展示了使用YOLOv8进行模型训练的详细过程和结果。
训练总时长 1模型在训练了150轮后总共耗时1.550小时。
性能指标 1Box(P): 是边界框的预测精度表示模型在检测目标时预测的边界框与实际边界框的重合程度。最终的Box(P)为0.928表示模型在边界框预测上有很高的精度。 2Recall (R): 召回率表示模型能够识别出所有实际目标的比例最终的召回率为0.921表明模型可以成功检测出大多数目标。 3mAP50: 这是平均精度的一个指标表示在IoU阈值为50%的情况下模型在不同类别上的检测精度。最终的mAP50为0.949表示整体检测精度较高。 4mAP50-95: 是更严格的平均精度指标覆盖了从50%到95%的IoU阈值。最终的mAP50-95为0.787表明在较严格的评估条件下模型依然表现较好。
类别性能 1Crossing legs翘腿、Using a phone使用手机等行为的检测精度和召回率都很高分别达到了0.984和0.974。 2其他行为如Teaching or asking教学、Writing写字、Guiding students指导学生的表现也不错但相较于前两类行为mAP50-95略低。
速度 1每张图像的处理时间包括预处理、推理和后处理分别为0.2ms预处理、1.4ms推理和0.8ms后处理说明系统具有较好的实时性。
结果保存 1Results saved to runs\detect\train_v8验证结果保存在 runs\detect\train_v8 目录下。
完成信息 1Process finished with exit code 0表示整个验证过程顺利完成没有报错。
该图展示了YOLOv8模型在阿尔兹海默症检测任务上的优秀性能尤其在多类别行为的检测中表现出色模型可以较为准确地识别不同的阿尔兹海默症且在推理速度上也具备较好的实时性。
