206-基于深度学习的胸部CT肺癌诊断项目的设计与实现
基于深度学习的胸部 CT 肺癌诊断项目 — 设计与实现（含Web端）
一套从模型推理到网页交互的完整应用：上传胸部 CT 图像，返回四类诊断结果（肺腺癌/大细胞未分化癌/正常/鳞状细胞癌），并支持历史记录、批量预测与可视化扩展。
项目亮点
- 端到端：模型加载、预测推理、Flask Web 界面、历史记录一体化。
- 高可用回退：权重加载失败时，自动切换至 ImageNet 预训练 EfficientNetB3 作为备选，保证服务可运行。
- 易扩展：已预留仪表盘/可视化挂点，便于后续接入 ECharts 等前端图表。
- 跨平台路径处理：上传文件以相对
static路径生成 URL，避免 Windows 路径导致的 404。
目录结构
code/app.py # Flask 应用后端（模型加载/预测/API/页面路由）requirements.txt # 依赖列表efficientnetb3_notop.h5 #（可选）完整模型文件（若为整模型）efficientnetb3_base_best_weights.h5 #（可选）训练权重efficientnetb3_base_best_weights2.h5 #（可选）备用训练权重Data/ # 数据集（train/valid/test）static/ # 前端静态资源（CSS/JS/图片等）img/predict_test/ # 上传预测图片存放目录templates/ # Jinja2 页面模板（index、dashboard、history 等）test_*.py # 若干测试脚本（模型/接口测试）README.md # 本文档
提示：
static/img/predict_test/用于存放上传的预测图片，后端会生成/static/...形式的可访问 URL。
技术栈
- 后端框架：Flask
- 深度学习：TensorFlow 2.x、Keras（EfficientNetB3）
- 图像处理：Pillow、OpenCV（可选）
- 前端：Bootstrap、jQuery、ECharts（已包含依赖，可直接扩展）
- 数据库存储：SQLite（用户与预测历史）
环境准备
1) Conda 环境（推荐）
conda create -n lungct python=3.8 -y
conda activate lungct
2) 安装依赖
pip install -r requirements.txt
如未包含全部依赖，可补充安装：
pip install tensorflow pillow numpy opencv-python flask
启动与使用
演示图片
启动服务
python app.py
# 输出类似：Running on http://127.0.0.1:5000
访问页面
- 首页与单图预测：
http://127.0.0.1:5000/ - 批量预测：
http://127.0.0.1:5000/batch_predict_page - 历史记录：
http://127.0.0.1:5000/history - 仪表盘（可视化预留）：
http://127.0.0.1:5000/dashboard
模型与加载策略
项目默认使用 EfficientNetB3 作为特征提取骨干，输入大小为 (224\times224\times3)。
模型头（分类层）
# 伪代码展示（推理端结构需与训练端保持一致）
from tensorflow.keras.applications import EfficientNetB3
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model as KerasModelheight, width = 224, 224
base_model = EfficientNetB3(weights=None, include_top=False, input_shape=(height, width, 3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
x = Dense(512, activation='relu')(x)
predictions = Dense(4, activation='softmax')(x)
model = KerasModel(inputs=base_model.input, outputs=predictions)
加载策略（多级回退）
- 尝试加载整模型
efficientnetb3_notop.h5（若它确为model.save(...)导出的整模型）。 - 若失败，构建相同结构后加载权重
efficientnetb3_base_best_weights.h5。 - 若仍失败，尝试备用权重
efficientnetb3_base_best_weights2.h5。 - 最终回退：加载
weights='imagenet'的 EfficientNetB3 冻结骨干，添加同样分类头并编译，以保证服务可用。
可选增强：当层名一致但层数不完全匹配时，尝试按名加载并跳过不匹配层：
model = build_same_structure_model()
model.load_weights('efficientnetb3_base_best_weights.h5', by_name=True, skip_mismatch=True)
核心后端逻辑（节选）
路由概览
/：首页，上传单图预测/test_predict：测试页面/history：历史记录/batch_predict_page：批量预测页面/dashboard：仪表盘（可插入可视化图表）
单图预测接口
@app.route('/submit_and_predict', methods=['POST'])
def submit_and_predict():# 1) 保存上传图片到 static/img/predict_test/# 2) PIL 读取与预处理（RGB、resize 到 224x224）# 3) model.predict 得到 4 类概率，取最大值和标签# 4) 结果写入 SQLite（若用户已登录）# 5) 以 url_for('static', filename=...) 返回可访问图片 URLreturn jsonify(result)
返回示例：
{"upload_image": "/static/img/predict_test/000109 (4).png","predict": "鳞状细胞癌 Squamous cell carcinoma","confidence": 26.11,"all_predictions": {"肺腺癌 Adenocarcinoma": 23.92,"大细胞未分化癌 Large-cell undifferentiated carcinoma": 24.32,"正常 Normal": 25.64,"鳞状细胞癌 Squamous cell carcinoma": 26.11}
}
批量预测接口
@app.route('/batch_predict', methods=['POST'])
def batch_predict():# 多文件循环保存、读取、预测# 为每张图片生成 image_path 的静态 URL，前端即可直接展示return jsonify({'results': results, 'status': 'ok'})
代码详解与关键片段解释
1) 模型加载的多级回退机制
目的：保证在不同部署环境中仍能运行，即便权重/整模型不可用。
def load_model_safely():# 方案1：优先尝试加载整模型（若 h5 确实是整模型）base_model = load_model('efficientnetb3_notop.h5', compile=False)# 方案2：构建相同结构后加载权重（与训练端保持一致）model = create_model()model.load_weights('efficientnetb3_base_best_weights.h5')# 方案3：备用权重model.load_weights('efficientnetb3_base_best_weights2.h5')# 方案4：最终回退，使用 ImageNet 预训练骨干，冻结后添加分类头return create_working_model()
关键点：
- 整模型与仅权重的区别：整模型包含结构+权重；仅权重需要先构建完全相同的结构。
- 若层数量不匹配但层名基本一致，可尝试
by_name=True, skip_mismatch=True按名加载。
2) 上传图片路径与可访问 URL 的生成
目的：避免 Windows 绝对路径导致浏览器 404，统一返回可访问的 /static/... URL。
test_file_path = os.path.join(current_dir, 'static', 'img', 'predict_test', filename)# 关键转换：把磁盘路径转为相对 static 的路径，再用 url_for 生成 URL
static_dir = os.path.join(current_dir, 'static')
rel_path = os.path.relpath(test_file_path, static_dir).replace('\\', '/')
image_url = url_for('static', filename=rel_path)
要点：
relpath将绝对路径转相对static，replace('\\','/')统一分隔符。- 返回
image_url给前端直接<img src="...">使用。
3) 预测输出与标签映射
predictions = model.predict(test_X) # shape: (1, 4)
pred_labels = np.argmax(predictions, 1)[0] # 取最大概率的类别索引
confidence = float(np.max(predictions[0])) * 100
predict_class = class_name_dict[pred_labels]all_predictions = {class_name_dict[i]: round(float(predictions[0][i]) * 100, 2)for i in range(len(class_name_dict))
}
要点：
- 置信度输出为百分比；
all_predictions便于前端做可视化或表格展示。
4) 历史记录写入（SQLite）
目的：记录用户最近的预测行为，便于回溯与数据分析。
# 若不存在则创建表
CREATE TABLE prediction_history(id INTEGER PRIMARY KEY AUTOINCREMENT,username CHAR(256),filename CHAR(256),prediction CHAR(256),confidence REAL,timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
);# 插入记录（当用户已登录）
INSERT INTO prediction_history (username, filename, prediction, confidence)
VALUES (?, ?, ?, ?)
要点：
timestamp默认当前时间，前端可按时间倒序展示最近 20 条。- 可扩展字段：如模型版本、推理耗时、图像来源等。
5) 批量预测流程
for file in files:# 保存 → 读取(PIL) → 预处理(resize 到 224x224) → model.predict# 生成 image_url → 追加到 results
return jsonify({'results': results, 'status': 'ok'})
要点：
- 对每张图片独立生成
image_url，前端可预览每张预测结果。 - 若单张失败，记录
status='error'与错误信息，不影响其他图片处理。
前端可视化（预留）
本项目已包含 ECharts 等前端依赖，可在 templates/dashboard.html 中挂载图表：
<!-- 在 dashboard.html 中添加占位 div -->
<div id="prediction-distribution" style="height:360px;"></div><script>const chart = echarts.init(document.getElementById('prediction-distribution'));fetch('/get_system_stats').then(r => r.json()).then(stats => {const dist = stats.prediction_distribution || {};const data = Object.keys(dist).map(k => ({ name: k, value: dist[k] }));chart.setOption({title: { text: '预测结果分布' },tooltip: { trigger: 'item' },series: [{ type: 'pie', radius: '55%', data }]});});window.addEventListener('resize', () => chart.resize());// 可继续添加：今日预测趋势、用户增长、词云等
</script>
你也可以在 history.html 中用表格展示最近 20 条预测记录，或结合 ECharts Timeline 展现时间序列。
数据与预处理
- 输入：胸部 CT 切片图像（PNG/JPG）
- 预处理：
- PIL 读取，确保 RGB 模式
- resize 到 (224\times224)
- 堆叠 batch 维度后进入模型
model.predict
如需归一化/标准化，请与训练阶段保持一致，并在推理前加入同样的预处理步骤。
常见问题（FAQ）
1. 权重无法加载，日志提示 Layer count mismatch 或 UTF-8 解码失败？
- 确认
efficientnetb3_notop.h5是否为整模型（model.save('xxx.h5')），若不是请重新导出整模型或仅提供权重并构建相同结构后再load_weights。 - 若结构基本一致但不完全匹配，可尝试
by_name=True, skip_mismatch=True按名加载跳过不匹配层。
2. Windows 上传图片后 404？
- 已修复：返回的图片链接统一为
url_for('static', filename=...)生成的/static/...相对 URL，避免GET /f:/...的绝对路径访问。
3. GPU/CPU 运行问题？
- 代码已兼容 CPU 运行；若有 GPU，默认按需分配显存。必要时可在启动前设置
TF_CPP_MIN_LOG_LEVEL来减少日志噪音。
4. 如何评估模型质量？
- 在
test_*.py中可扩展：单图/批量评测、混淆矩阵、ROC 曲线等；前端仪表盘亦可接入可视化评估结果。
测试与示例
单图预测（cURL 示例）
curl -X POST \-F "file=@static/img/predict_test/your_ct.png" \http://127.0.0.1:5000/submit_and_predict
批量预测（cURL 示例）
curl -X POST \-F "files=@static/img/predict_test/a.png" \-F "files=@static/img/predict_test/b.png" \http://127.0.0.1:5000/batch_predict
部署建议
- 生产环境建议使用
gunicorn/uwsgi+nginx部署，关闭 Flask 调试模式。 - 静态资源建议由
nginx托管，后端仅提供 API。 - 将权重/模型文件挂载到只读目录，并对上传目录设置最小可写权限。
维护规划（可选）
- 加入模型版本管理（e.g.,
v1,v2目录分版），热更新模型。 - 引入统一的配置文件（YAML/JSON），管理端口、模型路径、阈值等。
- 增加日志与监控：接口耗时、模型推理耗时、错误率监控等。
版权与鸣谢
- 模型骨干：EfficientNetB3（ImageNet 预训练）
- 前端框架与资源：Bootstrap、ECharts 等
如使用本项目进行科研或产品化，请遵守相关依赖的开源许可。
联系方式
码界筑梦坊各大平台同名