- Conta i valori di ogni classe.
cervello_df['maschera'].value_counts()
- Visualizza in modo casuale un'immagine MRI dal set di dati.
immagine = cv2.imread(brain_df.image_path[1301]) plt.imshow(Immagine)
Image_path memorizza il percorso MRI del cervello in modo che possiamo visualizzare l'immagine usando matplotlib.
Suggerimento: la parte verdastra dell'immagine sopra può essere considerata come il tumore.
- Cosa c'è di più, mostra l'immagine della maschera corrispondente.
immagine1 = cv2.imread(brain_df.mask_path[1301]) plt.imshow(immagine1)
Ora, potresti aver capito cosa sia veramente la maschera. La maschera è l'immagine della parte del cervello colpita da un tumore dall'immagine MRI corrispondente. Qui, la maschera proviene dalla risonanza magnetica cerebrale mostrata sopra.
- Analizza i valori dei pixel dell'immagine della maschera.
cv2.imread(brain_df.mask_path[1301]).max()
Partenza: 255
Il valore massimo di pixel nell'immagine della maschera è 255, cosa indica il colore bianco.
cv2.imread(brain_df.mask_path[1301]).min()
Partenza: 0
Il valore minimo di pixel nell'immagine della maschera è 0, cosa indica il colore nero.
- Visualizzazione della risonanza magnetica del cervello, la máscara correspondiente y la resonancia magnética con la máscara.
conteggio = 0 Fig, assi = plt.sottotrame(12, 3, dimensione del fico = (20, 50)) per io nel raggio d'azione(len(cervello_df)): if brain_df['maschera'][io] ==1 and count <5: img = io.imread(brain_df.image_path[io]) assi[contare][0].title.set_text('Brain MRI') assi[contare][0].imshow(img) mask = io.imread(brain_df.mask_path[io]) assi[contare][1].title.set_text('Mask') assi[contare][1].imshow(maschera, cmap = 'gray') img[maschera == 255] = (255, 0, 0) #Red color axs[contare][2].title.set_text('MRI with Mask') assi[contare][2].imshow(img) count+=1 fig.tight_layout()
- Elimine la identificación, ya que no es necesaria para su procesamiento.
# Drop the patient id column brain_df_train = brain_df.drop(colonne = ['patient_id']) brain_df_train.shape
Obtendrá el tamaño del marco de datos en la salida: (3929, 3)
- Convierta los datos en la columna de máscara de formato entero a formato de cadena, ya que necesitaremos los datos en formato de cadena.
brain_df_train['maschera'] = brain_df_train['maschera'].applicare(lambda x: str(X)) brain_df_train.info()
Come potete vedere, ahora cada característica tiene el tipo de datos como objeto.
- Divida los datos en conjuntos de prueba y de tren.
# split the data into train and test data from sklearn.model_selection import train_test_split train, test = train_test_split(brain_df_train, test_size = 0.15) |
- Aumente más datos con ImageDataGenerator. ImageDataGenerator genera lotes de datos de imágenes de tensores con aumento de datos en tiempo real.
Fare riferimento qui para obtener más información sobre ImageDataGenerator y los parametriIl "parametri" sono variabili o criteri che vengono utilizzati per definire, misurare o valutare un fenomeno o un sistema. In vari campi come la statistica, Informatica e Ricerca Scientifica, I parametri sono fondamentali per stabilire norme e standard che guidano l'analisi e l'interpretazione dei dati. La loro corretta selezione e gestione sono fondamentali per ottenere risultati accurati e pertinenti in qualsiasi studio o progetto.... in dettaglio.
Crearemos un train_generator y validation_generator a partir de los datos del tren y un test_generator a partir de los datos de prueba.
# create an image generator from keras_preprocessing.image import ImageDataGenerator #Create a data generator which scales the data from 0 a 1 and makes validation split of 0.15 datagen = ImageDataGenerator(rescale=1./255., validation_split = 0.15) train_generator=datagen.flow_from_dataframe( dataframe=train, directory= './', x_col="percorso_immagine", y_col="maschera", sottoinsieme="addestramento", batch_size=16, casuale=Vero, class_mode="categorico", target_size=(256,256)) valid_generator=datagen.flow_from_dataframe( dataframe=train, directory= './', x_col="percorso_immagine", y_col="maschera", sottoinsieme="validation", batch_size=16, casuale=Vero, class_mode="categorico", target_size=(256,256)) # Create a data generator for test images test_datagen=ImageDataGenerator(rescale=1./255.) test_generator=test_datagen.flow_from_dataframe( dataframe=test, directory= './', x_col="percorso_immagine", y_col="maschera", batch_size=16, shuffle=Falso, class_mode="categorico", target_size=(256,256))
