# black

**Repository Path**: hydrogen-elements/black

## Basic Information

- **Project Name**: black
- **Description**: 基于TensorFlowU-Net实现医学黑色素瘤检测
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-04-10
- **Last Updated**: 2025-04-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 医学黑色素瘤检测项目

这是一个基于TensorFlow和U-Net架构的医学黑色素瘤检测项目。本项目实现了一个简单的界面，可以上传图像并进行黑色素瘤区域检测。

## 项目结构

- `data_preprocessing.py`: 数据预处理和增强的脚本
- `unet_model.py`: U-Net模型的定义
- `train_model.py`: 模型训练脚本
- `app.py`: 主应用程序，提供图形用户界面
- `utils.py`: 工具函数

## 数据集存放

1. 下载ISIC 2018黑色素瘤数据集，地址：https://challenge.isic-archive.com/data/#2018
2. 创建以下文件夹结构来存放数据：
   ```
   e:\black\
   └── data\
       ├── raw\
       │   ├── ISIC2018_Task1-2_Training_Input\  # 存放训练用图像
       │   ├── ISIC2018_Task1_Training_GroundTruth\  # 存放训练用掩码
       │   ├── ISIC2018_Task1-2_Test_Input\  # 存放测试用图像
       │   └── ISIC2018_Task1_Test_GroundTruth\  # 存放测试用掩码
       └── processed\  # 处理后的数据将存放在这里
   ```
3. 处理后的数据（`.npy`文件）将保存在`data/processed/`目录中

## 系统要求

- Python 3.7-3.9 (推荐使用Python 3.8)
- 建议使用虚拟环境（如conda、venv等）

## 安装依赖

```bash
pip install -r requirements.txt
```

## 使用方法

1. 准备数据集（如ISIC 2018黑色素瘤数据集）
2. 运行数据预处理脚本生成训练数据
   ```bash
   python data_preprocessing.py
   ```
3. 训练模型
   ```bash
   python train_model.py
   ```
4. 启动应用界面
   ```bash
   streamlit run app.py
   ```

## 知识点讲解

### 1. U-Net架构

U-Net是一种卷积神经网络架构，最初设计用于生物医学图像分割。其特点是：

- 对称的"U"形结构，包括下采样路径（左侧）和上采样路径（右侧）
- 使用跳跃连接(Skip Connections)将下采样的特征图与上采样的特征图连接，保留空间信息
- 非常适合小型数据集的图像分割任务

### 2. 医学图像预处理

医学图像预处理对于提高模型性能至关重要：

- 图像尺寸统一化：将不同大小的图像调整为固定尺寸
- 图像增强：通过旋转、翻转等方式扩增数据集
- 归一化：将像素值映射到[0,1]区间，提高模型训练稳定性

### 3. 模型训练技巧

- 使用回调函数如ModelCheckpoint保存最佳模型
- 使用ReduceLROnPlateau动态调整学习率
- 使用EarlyStopping避免过拟合

### 4. 图像分割评估指标

- 准确率(Accuracy)：正确预测的像素比例
- 交并比(IoU)：预测区域和真实区域的交集除以并集
- Dice系数：评估两个样本的相似度

## 参考资源

- [ISIC挑战赛数据集](https://challenge.isic-archive.com/data/)
- [U-Net论文](https://arxiv.org/abs/1505.04597)
- [TensorFlow官方文档](https://www.tensorflow.org/api_docs/python/tf)