《专业创新实践Ⅱ》大作业

项目名称 LeNet在眼疾识别数据集iChallenge-PM上的应用

学    院  信息与通信工程学院        

                                     年级专业 20级智能科学与技术        

                                     姓    名   孙成                    

                                     学    号   20203101694            

                                     完成时间   2021-7-7                

                                     指导教师   邵春艳老师              

                          开 课 时 间 2020 至 2021 学年第  二  学期

一、引言

LeNet在眼疾识别数据集iChallenge-PM上的应用

iChallenge-PM是百度大脑和中山大学中山眼科中心联合举办的iChallenge比赛中，提供的关于病理性近视（Pathologic Myopia，PM）的医疗类数据集，包含1200个受试者的眼底视网膜图片，训练、验证和测试数据集各400张。

说明：

如今近视已经成为困扰人们健康的一项全球性负担，在近视人群中，有超过35%的人患有重度近视。近视会拉长眼睛的光轴，也可能引起视网膜或者络网膜的病变。随着近视度数的不断加深，高度近视有可能引发病理性病变，这将会导致以下几种症状：视网膜或者络网膜发生退化、视盘区域萎缩、漆裂样纹损害、Fuchs斑等。因此，及早发现近视患者眼睛的病变并采取治疗，显得非常重要。

二、方法

（1）数学模型

LeNet是最早的卷积神经网络之一[1]。1998年，Yann LeCun第一次将LeNet卷积神经网络应用到图像分类上，在手写数字识别任务中取得了巨大成功。LeNet通过连续使用卷积和池化层的组合提取图像特征，其架构如 图1 所示，这里展示的是用于MNIST手写体数字识别任务中的LeNet-5模型：

第一模块：包含5×5的6通道卷积和2×2的池化。卷积提取图像中包含的特征模式（激活函数使用Sigmoid），图像尺寸从28减小到24。经过池化层可以降低输出特征图对空间位置的敏感性，图像尺寸减到12。

第二模块：和第一模块尺寸相同，通道数由6增加为16。卷积操作使图像尺寸减小到8，经过池化后变成4。

第三模块：包含4×4的120通道卷积。卷积之后的图像尺寸减小到1，但是通道数增加为120。将经过第3次卷积提取到的特征图输入到全连接层。第一个全连接层的输出神经元的个数是64，第二个全连接层的输出神经元个数是分类标签的类别数，对于手写数字识别的类别数是10。然后使用Softmax激活函数即可计算出每个类别的预测概率。

（2）方法工具

1、运行环境：

百度人工智能平台Paddle

2、数据集：

眼疾识别数据集iChallenge-PM中既有病理性近视患者的眼底图片，也有非病理性近视患者的图片，命名规则如下：

病理性近视（PM）：文件名以P开头

非病理性近视（non-PM）：

高度近视（high myopia）：文件名以H开头

正常眼睛（normal）：文件名以N开头

我们将病理性患者的图片作为正样本，标签为1； 非病理性患者的图片作为负样本，标签为0。从数据集中选取两张图片，通过LeNet提取特征，构建分类器，对正负样本进行分类，并将图片显示出来。

实验过程

数据集准备

training.zip：包含训练中的图片和标签

validation.zip：包含验证集的图片

valid_gt.zip：包含验证集的标签

其中需要注意，需要将“/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Validation-GT”目录下“PM_Label_and_Fovea_Location.xlsx”文件转存成.csv格式，本节代码示例中已经提前转成文件labels.csv。

（2）查看数据集图片

iChallenge-PM中既有病理性近视患者的眼底图片，也有非病理性近视患者的图片，命名规则如下：

病理性近视（PM）：文件名以P开头

非病理性近视（non-PM）：

高度近视（high myopia）：文件名以H开头

正常眼睛（normal）：文件名以N开头

我们将病理性患者的图片作为正样本，标签为1； 非病理性患者的图片作为负样本，标签为0。从数据集中选取两张图片，通过LeNet提取特征，构建分类器，对正负样本进行分类，并将图片显示出来。

代码如下：

1. import os  
2. import numpy as np  
3. import matplotlib.pyplot as plt  
4. %matplotlib inline  
5. from PIL import Image  
6.  
7. DATADIR = '/home/aistudio/work/palm/PALM-Training400/PALM-Training400'  
8. # 文件名以N开头的是正常眼底图片，以P开头的是病变眼底图片  
9. file1 = 'N0012.jpg'  
10. file2 = 'P0095.jpg'  
11.  
12. # 读取图片  
13. img1 = Image.open(os.path.join(DATADIR, file1))  
14. img1 = np.array(img1)  
15. img2 = Image.open(os.path.join(DATADIR, file2))  
16. img2 = np.array(img2)  
17.  
18. # 画出读取的图片  
19. plt.figure(figsize=(16, 8))  
20. f = plt.subplot(121)  
21. f.set_title('Normal', fontsize=20)  
22. plt.imshow(img1)  
23. f = plt.subplot(122)  
24. f.set_title('PM', fontsize=20)  
25. plt.imshow(img2)  
26. plt.show()  
27. # 查看图片形状  
28. img1.shape, img2.shape  
29. ((2056, 2124, 3), (2056, 2124, 3))  
30. 定义数据读取器
31. 使用OpenCV从磁盘读入图片，将每张图缩放到224×224224×224大小，并且将像素值调整到[−1,1][−1,1]之间，代码如下所示：
32. 
    
33. import cv2  
34. import random  
35. import numpy as np  
36. import os  
37.  
38. # 对读入的图像数据进行预处理  
39. def transform_img(img):  
40.    # 将图片尺寸缩放道 224x224  
41.    img = cv2.resize(img, (224, 224))  
42.    # 读入的图像数据格式是[H, W, C]  
43.    # 使用转置操作将其变成[C, H, W]  
44.    img = np.transpose(img, (2,0,1))  
45.    img = img.astype('float32')  
46.    # 将数据范围调整到[-1.0, 1.0]之间  
47.    img = img / 255.  
48.    img = img * 2.0 - 1.0  
49.    return img  
50.  
51. # 定义训练集数据读取器  
52. def data_loader(datadir, batch_size=10, mode = 'train'):  
53.    # 将datadir目录下的文件列出来，每条文件都要读入  
54.    filenames = os.listdir(datadir)  
55.    def reader():  
56.        if mode == 'train':  
57.            # 训练时随机打乱数据顺序  
58.            random.shuffle(filenames)  
59.        batch_imgs = []  
60.        batch_labels = []  
61.        for name in filenames:  
62.            filepath = os.path.join(datadir, name)  
63.            img = cv2.imread(filepath)  
64.            img = transform_img(img)  
65.            if name[0] == 'H' or name[0] == 'N':  
66.                # H开头的文件名表示高度近似，N开头的文件名表示正常视力  
67.                # 高度近视和正常视力的样本，都不是病理性的，属于负样本，标签为0  
68.                label = 0  
69.            elif name[0] == 'P':  
70.                # P开头的是病理性近视，属于正样本，标签为1  
71.                label = 1  
72.            else:  
73.                raise('Not excepted file name')  
74.            # 每读取一个样本的数据，就将其放入数据列表中  
75.            batch_imgs.append(img)  
76.            batch_labels.append(label)  
77.            if len(batch_imgs) == batch_size:  
78.                # 当数据列表的长度等于batch_size的时候，  
79.                # 把这些数据当作一个mini-batch，并作为数据生成器的一个输出  
80.                imgs_array = np.array(batch_imgs).astype('float32')  
81.                labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
82.                yield imgs_array, labels_array  
83.                batch_imgs = []  
84.                batch_labels = []  
85.  
86.        if len(batch_imgs) > 0:  
87.            # 剩余样本数目不足一个batch_size的数据，一起打包成一个mini-batch  
88.            imgs_array = np.array(batch_imgs).astype('float32')  
89.            labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
90.            yield imgs_array, labels_array  
91.  
92.    return reader  

 

1. # 定义验证集数据读取器  
2. def valid_data_loader(datadir, csvfile, batch_size=10, mode='valid'):  
3.    # 训练集读取时通过文件名来确定样本标签，验证集则通过csvfile来读取每个图片对应的标签  
4.    # 请查看解压后的验证集标签数据，观察csvfile文件里面所包含的内容  
5.    # csvfile文件所包含的内容格式如下，每一行代表一个样本，  
6.    # 其中第一列是图片id，第二列是文件名，第三列是图片标签，  
7.    # 第四列和第五列是Fovea的坐标，与分类任务无关  
8.    # ID,imgName,Label,Fovea_X,Fovea_Y  
9.    # 1,V0001.jpg,0,1157.74,1019.87  
10.    # 2,V0002.jpg,1,1285.82,1080.47  
11.    # 打开包含验证集标签的csvfile，并读入其中的内容  
12.    filelists = open(csvfile).readlines()  
13.    def reader():  
14.        batch_imgs = []  
15.        batch_labels = []  
16.        for line in filelists[1:]:  
17.            line = line.strip().split(',')  
18.            name = line[1]  
19.            label = int(line[2])  
20.            # 根据图片文件名加载图片，并对图像数据作预处理  
21.            filepath = os.path.join(datadir, name)  
22.            img = cv2.imread(filepath)  
23.            img = transform_img(img)  
24.            # 每读取一个样本的数据，就将其放入数据列表中  
25.            batch_imgs.append(img)  
26.            batch_labels.append(label)  
27.            if len(batch_imgs) == batch_size:  
28.                # 当数据列表的长度等于batch_size的时候，  
29.                # 把这些数据当作一个mini-batch，并作为数据生成器的一个输出  
30.                imgs_array = np.array(batch_imgs).astype('float32')  
31.                labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
32.                yield imgs_array, labels_array  
33.                batch_imgs = []  
34.                batch_labels = []  
35.  
36.        if len(batch_imgs) > 0:  
37.            # 剩余样本数目不足一个batch_size的数据，一起打包成一个mini-batch  
38.            imgs_array = np.array(batch_imgs).astype('float32')  
39.            labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
40.            yield imgs_array, labels_array  
41.  
42.    return reader  
43. # 查看数据形状  
44. DATADIR = '/home/aistudio/work/palm/PALM-Training400/PALM-Training400'  
45. train_loader = data_loader(DATADIR,  
46.                           batch_size=10, mode='train')  
47. data_reader = train_loader()  
48. data = next(data_reader)  
49. data[0].shape, data[1].shape  
50.  
51. eval_loader = data_loader(DATADIR,  
52.                           batch_size=10, mode='eval')  
53. data_reader = eval_loader()  
54. data = next(data_reader)  
55. data[0].shape, data[1].shape