CTAI
基于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。有完整的模型构建、后端架设、工业级部署和前端访问功能。TensorRT、PyTorch 、OpenCV 、Flask、Vue
Install / Use
/learn @xming521/CTAIREADME
🏥 CTAI
基于深度学习的肿瘤辅助诊断系统
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|
