# Image_Recognition_WebGUI **Repository Path**: bytesc/image_-recognition_-web-gui ## Basic Information - **Project Name**: Image_Recognition_WebGUI - **Description**: ✨基于 3D 卷积神经网络(CNN)的阿尔兹海默智能诊断 Web 应用✨ ：图像识别可视化界面，快速部署深度学习模型为网页应用，Web预测系统，决策支持系统(DSS)，图像识别前端网页，图像识别Demo展示-Pywebio。AI人工智能图像识别-Pytorch；nii医学影像处理；ADNI数据集。100%纯Python代码，轻量化，易复现 - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: master - **Homepage**: http://www.bytesc.top - **GVP Project**: No ## Statistics - **Stars**: 15 - **Forks**: 2 - **Created**: 2023-06-15 - **Last Updated**: 2025-07-11 ## Categories & Tags **Categories**: Uncategorized **Tags**: Python, PyTorch, ocr, Webapp, Pywebio ## README # Image_Recognition_WebGUI ✨ **基于 3D 卷积神经网络和 ADNI 数据集的阿尔兹海默智能诊断 Web 应用**：AI 人工智能图像识别-Pytorch；可视化 Web 图形界面-Pywebio； nii 医学影像识别。100%纯 Python [📽️ 演示视频 ./demo_video.mp4](./demo_video.mp4) 🚩[English Readme](./README.en.md) [轻量化版本链接](https://github.com/bytesc/Image-Recognition-system) 包含模型训练代码 [个人网站：www.bytesc.top](http://www.bytesc.top) 🔔 如有项目相关问题，欢迎在本项目提出`issue`，我一般会在 24 小时内回复。 ## 功能简介 - 1, 根据脑部 MRI 医学影像智能诊断阿尔兹海默病 - 2, 绘制参数相关性热力图 - 3, 使用纯 python 编写，轻量化，易复现，易部署 - 4, 代码可读性高，核心部分有极详细注释 ## 界面展示 - 进入 web 界面 ![image](./readme_static/readme_img/4.png) - 点击"使用 demo.nii"，可以使用默认的 demo 图像测试识别功能 ![image](./readme_static/readme_img/3.png) - 也可以自己上传医学影像 ![image](./readme_static/readme_img/9.png) - 点击"查看图像"，渲染参数热力图 ![image](./readme_static/readme_img/5.png) ![image](./readme_static/readme_img/6.png) - 根据上传的图像，生成参数相关性热力图 ![image](./readme_static/readme_img/7.png) ## 如何使用 python 版本 3.9 需要 `8GB` 以上内存 先安装依赖 ```bash pip install -r requirement.txt ``` demo01.py 是项目入口，运行此文件即可启动服务器 ```bash python demo01.py ``` 复制链接到浏览器打开 ![image](./readme_static/readme_img/10.png) 点击”Demo“即可进入 Web 界面 ![image](./readme_static/readme_img/11.png) 之后，可以点击“使用 demo.nii”使用默认的测试样例。也可以点击“上传.nii”，选择 readme_static/test 文件夹内不同类别的图像文件上传测试 ## 项目结构 ``` └─Image_Recognition_WebGUI ├─data │ └─model_save ├─imgs │ ├─img_hot │ ├─img_merge │ └─img_raw ├─nii ├─readme_static │ ├─readme_img │ └─test │ ├─AD │ ├─CN │ ├─EMCI │ ├─LMCI │ └─MCI └─run_logs ``` - data 文件夹存放部分静态资源，其中的 model_save 文件夹存放训练好的模型 - imgs 文件夹存放渲染的图片 - nii 文件夹存放用户上传的医学影像数据 - readme_static 存放 readme 文档中用的静态资源 - readme_static/test 文件夹内存放了一些五个类别的影像文件，可用于测试 - run_logs 存放用户访问日志 ## 分类器核心代码 ```python from torch import nn import torch class ClassificationModel3D(nn.Module): """分类器模型""" def __init__(self, dropout=0.4, dropout2=0.4): nn.Module.__init__(self) # 定义四个Conv3d层 self.Conv_1 = nn.Conv3d(1, 8, 3) # 输入通道数为1，输出通道数为8，卷积核大小为3x3x3 self.Conv_2 = nn.Conv3d(8, 16, 3) # 输入通道数为8，输出通道数为16，卷积核大小为3x3x3 self.Conv_3 = nn.Conv3d(16, 32, 3) # 输入通道数为16，输出通道数为32，卷积核大小为3x3x3 self.Conv_4 = nn.Conv3d(32, 64, 3) # 输入通道数为32，输出通道数为64，卷积核大小为3x3x3 # 定义四个BatchNorm3d层，每个卷积层后面跟着一个BatchNorm3d层 self.Conv_1_bn = nn.BatchNorm3d(8) self.Conv_2_bn = nn.BatchNorm3d(16) self.Conv_3_bn = nn.BatchNorm3d(32) self.Conv_4_bn = nn.BatchNorm3d(64) # 定义四个MaxPool3d层，每个卷积层后面跟着一个MaxPool3d层 self.Conv_1_mp = nn.MaxPool3d(2) # 池化核大小为2 self.Conv_2_mp = nn.MaxPool3d(3) # 池化核大小为3 self.Conv_3_mp = nn.MaxPool3d(2) # 池化核大小为2 self.Conv_4_mp = nn.MaxPool3d(3) # 池化核大小为3 # 定义两个全连接层 self.dense_1 = nn.Linear(4800, 128) # 输入维度为4800，输出维度为128 self.dense_2 = nn.Linear(128, 5) # 输入维度为128，输出维度为5。因为这是一个五分类问题，所以最终需要输出维度为5 # 定义ReLU激活函数和dropout层 self.relu = nn.ReLU() self.dropout = nn.Dropout(dropout) # 防止过拟合 self.dropout2 = nn.Dropout(dropout2) # 增强鲁棒性 def forward(self, x): # 第一层卷积层 x = self.relu(self.Conv_1_bn(self.Conv_1(x))) """ 这行代码是对输入 x 进行卷积、批归一化和 ReLU 激活函数的操作。 self.Conv_1(x) 对输入 x 进行 3D 卷积操作，输出一个特征图。 self.Conv_1_bn(...) 对卷积输出的特征图进行批归一化操作，得到归一化后的特征图。 self.relu(...) 对归一化的特征图进行 ReLU 激活函数操作，得到激活后的特征图。 整个操作的作用是提取输入 x 中的特征，并将其非线性化，使得网络能够更好地学习这些特征。这里使用了批归一化的技术，可以加速模型的训练过程并提高模型的泛化能力。最终得到的输出结果是经过卷积、批归一化和 ReLU 激活函数处理后的特征图 x。 """ # 第一层卷积层的最大池化 x = self.Conv_1_mp(x) """ 这行代码是对输入 x 进行最大池化操作，将特征图的大小缩小一半。 self.Conv_1_mp(...) 对输入 x 进行最大池化操作，池化核大小为 2。 池化操作会将特征图中每个池化窗口内的最大值提取出来，作为输出特征图的对应位置的值，从而将特征图的大小缩小一半。 最大池化操作可以帮助网络实现空间不变性，使得网络在输入发生轻微变化时仍能识别出相同的特征。在这个模型中，经过最大池化后的特征图 x 会传递到下一层卷积层中进行特征提取和非线性化处理。 """ # 第二层卷积层 x = self.relu(self.Conv_2_bn(self.Conv_2(x))) # 第二层卷积层的最大池化 x = self.Conv_2_mp(x) # 第三层卷积层 x = self.relu(self.Conv_3_bn(self.Conv_3(x))) # 第三层卷积层的最大池化 x = self.Conv_3_mp(x) # 第四层卷积层 x = self.relu(self.Conv_4_bn(self.Conv_4(x))) # 第四层卷积层的最大池化 x = self.Conv_4_mp(x) # 将张量展平为一维向量 x = x.view(x.size(0), -1) """ 这行代码是将输入张量 x 展平为一维向量。 x.size(0) 得到输入张量 x 的第一个维度的大小，也就是张量的批次大小。 -1 表示将第二个维度及其后面的所有维度展平为一维。 x.view(...) 对输入张量 x 进行形状变换，将其展平为一维向量。 这个操作的作用是将经过卷积和池化处理后的特征图 x 变为一维向量，以便于传递到全连接层进行分类或回归等任务。展平后的向量大小为 (batch_size, num_features)，其中 batch_size 是输入张量的批次大小，num_features 是展平后的向量元素个数，也就是经过卷积和池化处理后的特征数量。 """ # dropout层 x = self.dropout(x) """ 这行代码是对输入张量 x 进行 dropout 操作，即以一定概率将输入张量中的部分元素置为零。 self.dropout(...) 对输入张量 x 进行 dropout 操作，丢弃概率为 dropout。 dropout 操作会以一定概率将输入张量中的部分元素置为零，从而达到随机失活的目的。这样做可以减少过拟合，增强模型的泛化能力。 在这个模型中，dropout 操作被应用在全连接层之前，可以帮助模型更好地学习到数据的特征，防止过拟合。最终得到的 x 张量是经过 dropout 操作后的结果，会传递到下一层全连接层进行处理。 """ # 全连接层1 x = self.relu(self.dense_1(x)) """ 这行代码是对输入张量 x 进行全连接操作，并应用 ReLU 激活函数。 self.dense_1(x) 对输入张量 x 进行全连接操作，将其映射到大小为 128 的特征空间中。 self.relu(...) 对全连接层的输出进行 ReLU 激活函数操作，得到激活后的特征向量。 在这个模型中，全连接层的作用是将经过卷积、池化和 dropout 处理后的特征向量映射到一个新的特征空间中，以便于进行分类或回归等任务。ReLU 激活函数的作用是对特征向量进行非线性化处理，使得网络能够更好地学习到数据中的非线性相关性。最终得到的 x 张量是经过全连接层和 ReLU 激活函数处理后的结果，会传递到下一层 dropout 层进行处理。 """ # dropout2层 x = self.dropout2(x) # 全连接层2 x = self.dense_2(x) # 返回输出结果 return x if __name__ == "__main__": # 创建一个 ClassificationModel3D 类的实例 model，即创建一个 3D 图像分类模型 model = ClassificationModel3D() # 创建一个形状为 (1, 1, 166, 256, 256) 的测试张量 test_tensor， # 其中 1 表示批次大小，1 表示输入通道数，166、256 和 256 分别表示输入数据的深度、高度和宽度 test_tensor = torch.ones(1, 1, 166, 256, 256) # 对测试张量 test_tensor 进行前向传递，得到模型的输出结果 output output = model(test_tensor) # 打印输出结果的形状，即 (batch_size, num_classes)，其中 batch_size 是测试张量的批次大小，num_classes 是分类任务的类别数 print(output.shape) ``` ref: https://github.com/moboehle/Pytorch-LRP 数据集:https://adni.loni.usc.edu # 开源许可证 此翻译版本仅供参考，以 LICENSE 文件中的英文版本为准 MIT 开源许可证： 版权所有 (c) 2023 bytesc 特此授权，免费向任何获得本软件及相关文档文件（以下简称“软件”）副本的人提供使用、复制、修改、合并、出版、发行、再许可和/或销售软件的权利，但须遵守以下条件： 上述版权声明和本许可声明应包含在所有副本或实质性部分中。 本软件按“原样”提供，不作任何明示或暗示的保证，包括但不限于适销性、特定用途适用性和非侵权性。在任何情况下，作者或版权持有人均不对因使用本软件而产生的任何索赔、损害或其他责任负责，无论是在合同、侵权或其他方面。