基于跨域小样本分类的甲状腺超声图像识别模型与 TMICM 医学图像分类平台

本项目荣获第四届江苏省大学生生物医学工程创新设计竞赛特等奖🏆，荣获命题组—人工智能与生物医学大数据赛题第一名🥇。

模型性能

项目模型在赛方提供的 96 张未标明良恶性测试集中 Accuracy = 95+(1)%, F1-score = 95+(1)%。（由于赛方最终并未告知测试集标签，而在现场通过特定程序对模型结果进行分析，我们仅凭记忆记录下上述结果）。

快速部署

推荐通过 TMICM 医学图像分类平台对模型进行测试和使用。

最低配置要求

1. 如果您希望通过 GPU 加载模型：

   最低需要 1/20 Nvidia A100，4GB GPU RAM（设备由 Vultr 提供）或等效的 GPU 性能（单线程）。另外，模型在 GeForce RTX 2080 显卡上运行良好。没有进行其他测试。

2. 如果您希望通过 CPU 加载模型：

   在 CPU - 2核，内存 - 2GB（设备由 腾讯云 提供）机器上可稳定运行三线程。

通过 Docker 部署

1. 安装 Docker 和 NVIDIA Container Toolkit（在 CPU 机器上仅安装 Docker 即可）

   # Install Docker and NVIDIA Container Toolkit
   # On Ubuntu or Debian
   curl https://get.docker.com | sh \
     && sudo systemctl --now enable docker
   
   distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
         && curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
         && curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
               sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
               sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
   
   sudo apt-get update
   sudo apt-get install -y nvidia-container-toolkit
   sudo nvidia-ctk runtime configure --runtime=docker
   sudo systemctl restart docker

2. 运行容器

   # On GPU
   docker run -d --network host --gpus all --restart=on-failure ghcr.io/ytawm/tmicm
   # On CPU
   docker run -d --restart=on-failure \
     --network host ghcr.dockerproxy.com/ytawm/tmicm \
     gunicorn --workers=3 --bind :8000 app:app

之后，我们便在 8000 端口成功部署 TMICM 医学图像分类平台。在浏览器打开 http://localhost:8000 试试吧！

在全新的 Ubuntu/Debian 机器上，您也可以通过直接运行 easy_install.sh 一站式快速部署。

手动安装

# 获得代码
git clone https://github.com/ytawm/TMICM_online.git
cd TMICM_online

# 安装依赖
pip3 install -r requirements.txt

# 运行 TMICM 医学图像分类平台
gunicorn --workers=1 --bind :8000 app:app

如果需要测定一组图片或有其他需求，请实例化 prediction.py 的 Voting 类并调用 Voting.predict(img_path) 方法对图像进行分析。

实现思路及方法

请参考基于跨域小样本分类的甲状腺超声图像识别模型，答辩 PPT。

许可

1. 本项目数据集由第四届江苏省大学生生物医学工程创新设计竞赛提供。其对数据集要求声明如下：

   郑重声明：此数据集仅供此次竞赛使用，参赛者不得将参赛作品以及此数据集转让给第三方使用，不得将参赛作品用于任何商业用途及其它使用，比赛完毕自行删除本次赛事相关数据。若违反规定，由此造成的一切后果自负。
   

   我们的程序文件夹中已去除赛方提供的数据。我们的模型仅从赛方提供的数据集训练。

2. 本项目除 BIGMS 增强预测算法外代码均以 Mozilla Public License Version 2.0 形式授权。

3. BIGMS 增强预测算法相关内容不公开且不允许使用，如需交流请发送 Issue。