在肿瘤医院的阅片室里，王医生正聚精会神地盯着CT影像。她需要从数百张断层扫描图中，手工勾画出患者肺部的肿瘤区域。这项工作不仅耗时费力，更要求医生保持高度专注——一个细微的漏判就可能影响治疗方案的选择。这样的场景每天都在全球各大医院上演，直到AI技术的出现带来转机。

医学图像分割技术通过深度学习算法，可以自动识别影像中的特定解剖结构或病变区域。其中，U-Net模型因其在生物医学图像分割中的卓越表现，已成为该领域的标准工具。让我们通过一个完整的案例，了解如何在JupyterLab环境中构建并应用这个"AI医生助手"。

在JupyterLab中新建Python笔记本，执行以下命令安装依赖库：

!pip install tensorflow keras numpy matplotlib opencv-python scikit-image

我们使用公开的ISIC皮肤病变数据集进行演示。这个数据集包含皮肤镜图像及对应的病灶标注图：

下载地址如下：（PS: 真实数据服务器跑不动，所以用的模拟数据，有能力的同学可以测试下真实数据哦。）

https://isic-challenge-data.s3.amazonaws.com/2016/ISBI2016_ISIC_Part2B_Training_Data.zip

import numpy as np
import matplotlib.pyplot as plt
from skimage import io, transform
from sklearn.model_selection import train_test_split
import zipfile

# 下载示例数据集（实际使用时替换为真实数据）
!wget https://isic-challenge-data.s3.amazonaws.com/2016/ISBI2016_ISIC_Part2B_Training_Data.zip  

# 解压数据集
with zipfile.ZipFile('ISBI2016_ISIC_Part2B_Training_Data.zip', 'r') as zip_ref:
    zip_ref.extractall('dataset')

# def download_and_extract_dataset():
    # 下载数据集
    # dataset_url = "https://isic-challenge-data.s3.amazonaws.com/2016/ISBI2016_ISIC_Part2B_Training_Data.zip  "
    # os.system(f"wget {dataset_url}")
    
    # 解压数据集
    # with zipfile.ZipFile('ISBI2016_ISIC_Part2B_Training_Data.zip', 'r') as zip_ref:
    #     zip_ref.extractall('dataset')

# 下载并解压数据集
# download_and_extract_dataset()

# 加载数据
def load_dataset():
    images = []
    masks = []
    
    # 生成模拟数据（实际应加载真实数据）
    for i in range(200):
        img = np.random.rand(256, 256)  # 模拟灰度图像
        mask = np.zeros((256, 256))
        mask[50:150, 50:150] = 1  # 模拟方形病灶
        images.append(img)
        masks.append(mask)
    
    return np.array(images), np.array(masks)

X, y = load_dataset()

# 数据可视化示例
plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plt.imshow(X[0], cmap='gray')
plt.title('原始图像')
plt.subplot(1,2,2)
plt.imshow(y[0], cmap='gray')
plt.title('标注图像')
plt.show()

U-Net的核心思想是通过编码器-解码器结构，结合跳跃连接（Skip Connections），同时捕捉局部细节和全局上下文。就像医生先整体观察CT片，再聚焦病灶区域一样。

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, concatenate

def build_unet(input_shape=(256, 256, 1)):
    # 输入层
    inputs = Input(input_shape)
    
    # 编码器（下采样）
    c1 = Conv2D(64, 3, activation='relu', padding='same')(inputs)
    c1 = Conv2D(64, 3, activation='relu', padding='same')(c1)
    p1 = MaxPooling2D((2, 2))(c1)
    
    c2 = Conv2D(128, 3, activation='relu', padding='same')(p1)
    c2 = Conv2D(128, 3, activation='relu', padding='same')(c2)
    p2 = MaxPooling2D((2, 2))(c2)
    
    # 瓶颈层
    c3 = Conv2D(256, 3, activation='relu', padding='same')(p2)
    c3 = Conv2D(256, 3, activation='relu', padding='same')(c3)
    
    # 解码器（上采样）
    u4 = UpSampling2D((2, 2))(c3)
    u4 = concatenate([u4, c2])
    c4 = Conv2D(128, 3, activation='relu', padding='same')(u4)
    c4 = Conv2D(128, 3, activation='relu', padding='same')(c4)
    
    u5 = UpSampling2D((2, 2))(c4)
    u5 = concatenate([u5, c1])
    c5 = Conv2D(64, 3, activation='relu', padding='same')(u5)
    c5 = Conv2D(64, 3, activation='relu', padding='same')(c5)
    
    # 输出层
    outputs = Conv2D(1, 1, activation='sigmoid')(c5)
    
    model = Model(inputs=inputs, outputs=outputs)
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

model = build_unet()
model.summary()

# 划分训练集/验证集
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 增加通道维度
X_train = X_train[..., np.newaxis]
X_val = X_val[..., np.newaxis]
y_train = y_train[..., np.newaxis]
y_val = y_val[..., np.newaxis]

# 数据增强配置
from tensorflow.keras.preprocessing.image import ImageDataGenerator

data_gen_args = dict(
    rotation_range=15,
    width_shift_range=0.1,
    height_shift_range=0.1,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

image_generator = ImageDataGenerator(**data_gen_args)
mask_generator = ImageDataGenerator(**data_gen_args)

# 创建数据生成器
def create_generator(image_generator, mask_generator, X, y, batch_size):
    seed = 42
    image_flow = image_generator.flow(X, batch_size=batch_size, seed=seed)
    mask_flow = mask_generator.flow(y, batch_size=batch_size, seed=seed)
    while True:
        yield (image_flow.next(), mask_flow.next())

train_generator = create_generator(image_generator, mask_generator, X_train, y_train, 8)

from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping

callbacks = [
    EarlyStopping(patience=15, restore_best_weights=True),
    ModelCheckpoint('best_model.h5', save_best_only=True)
]

history = model.fit(
    train_generator,
    steps_per_epoch=len(X_train)//8,
    epochs=100,
    validation_data=(X_val, y_val),
    callbacks=callbacks
)

plt.figure(figsize=(12,4))
plt.subplot(1,2,1)
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.title('损失曲线')
plt.legend()

plt.subplot(1,2,2)
plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.title('准确率曲线')
plt.legend()
plt.show()

def show_predictions(model, X, y, num=3):
    preds = model.predict(X[:num])
    
    plt.figure(figsize=(15, 5*num))
    for i in range(num):
        plt.subplot(num,3,i*3+1)
        plt.imshow(X[i].squeeze(), cmap='gray')
        plt.title('输入图像')
        
        plt.subplot(num,3,i*3+2)
        plt.imshow(y[i].squeeze(), cmap='gray')
        plt.title('真实标注')
        
        plt.subplot(num,3,i*3+3)
        plt.imshow(preds[i].squeeze() > 0.5, cmap='gray')  # 阈值处理
        plt.title('预测结果')
    
    plt.tight_layout()
    plt.show()

show_predictions(model, X_val, y_val)

通过本教程，我们完成了一个完整的医学图像分割项目。但AI在医疗领域的应用远不止于此：

随着技术的进步，未来的AI医生将不仅能够识别病灶，还能结合临床数据给出诊疗建议。在这个过程中，每个开发者都能成为这场医疗革命的参与者。现在，就让我们从这行代码开始，共同书写智慧医疗的新篇章。

import numpy as np
import matplotlib.pyplot as plt
from skimage import io, transform
from sklearn.model_selection import train_test_split
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, concatenate

# 下载数据集（示例用随机数据生成）
def load_dataset():
    images = []
    masks = []
    
    # 生成模拟数据（实际应加载真实数据）
    for i in range(200):
        img = np.random.rand(256, 256)  # 模拟灰度图像
        mask = np.zeros((256, 256))
        mask[50:150, 50:150] = 1  # 模拟方形病灶
        images.append(img)
        masks.append(mask)
    
    return np.array(images), np.array(masks)

X, y = load_dataset()

# 划分训练集/验证集
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 确保数据的形状是四维 (samples, height, width, channels)
X_train = np.squeeze(X_train)[..., np.newaxis]  # 转换为四维数组
X_val = np.squeeze(X_val)[..., np.newaxis]      # 转换为四维数组
y_train = np.squeeze(y_train)[..., np.newaxis]  # 转换为四维数组
y_val = np.squeeze(y_val)[..., np.newaxis]      # 转换为四维数组

# 检查数据形状
print("X_train shape:", X_train.shape)  # 应为 (samples, 256, 256, 1)
print("y_train shape:", y_train.shape)  # 应为 (samples, 256, 256, 1)

# 数据增强配置
data_gen_args = dict(
    rotation_range=15,
    width_shift_range=0.1,
    height_shift_range=0.1,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

image_generator = ImageDataGenerator(**data_gen_args)
mask_generator = ImageDataGenerator(**data_gen_args)

# 创建数据生成器
def create_generator(image_generator, mask_generator, X, y, batch_size):
    seed = 42
    image_flow = image_generator.flow(X, batch_size=batch_size, seed=seed)
    mask_flow = mask_generator.flow(y, batch_size=batch_size, seed=seed)
    while True:
        # 使用 __next__() 或者 next() 来替代 .next()
        yield (next(image_flow), next(mask_flow))

# U-Net模型定义
def build_unet(input_shape=(256, 256, 1)):
    inputs = Input(input_shape)
    
    # 编码器（下采样）
    c1 = Conv2D(64, 3, activation='relu', padding='same')(inputs)
    c1 = Conv2D(64, 3, activation='relu', padding='same')(c1)
    p1 = MaxPooling2D((2, 2))(c1)
    
    c2 = Conv2D(128, 3, activation='relu', padding='same')(p1)
    c2 = Conv2D(128, 3, activation='relu', padding='same')(c2)
    p2 = MaxPooling2D((2, 2))(c2)
    
    # 瓶颈层
    c3 = Conv2D(256, 3, activation='relu', padding='same')(p2)
    c3 = Conv2D(256, 3, activation='relu', padding='same')(c3)
    
    # 解码器（上采样）
    u4 = UpSampling2D((2, 2))(c3)
    u4 = concatenate([u4, c2])
    c4 = Conv2D(128, 3, activation='relu', padding='same')(u4)
    c4 = Conv2D(128, 3, activation='relu', padding='same')(c4)
    
    u5 = UpSampling2D((2, 2))(c4)
    u5 = concatenate([u5, c1])
    c5 = Conv2D(64, 3, activation='relu', padding='same')(u5)
    c5 = Conv2D(64, 3, activation='relu', padding='same')(c5)
    
    # 输出层
    outputs = Conv2D(1, 1, activation='sigmoid')(c5)
    
    model = Model(inputs=inputs, outputs=outputs)
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 创建并查看模型
model = build_unet()
model.summary()

# 训练回调
callbacks = [
    EarlyStopping(patience=15, restore_best_weights=True),
    ModelCheckpoint('best_model.h5', save_best_only=True)
]

# 创建训练数据生成器
train_generator = create_generator(image_generator, mask_generator, X_train, y_train, batch_size=8)

# 模型训练
history = model.fit(
    train_generator,
    steps_per_epoch=len(X_train) // 8,
    epochs=100,
    validation_data=(X_val, y_val),
    callbacks=callbacks
)

# 训练过程可视化
plt.figure(figsize=(12,4))
plt.subplot(1,2,1)
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.title('损失曲线')
plt.legend()

plt.subplot(1,2,2)
plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.title('准确率曲线')
plt.legend()
plt.show()

# 分割效果展示
def show_predictions(model, X, y, num=3):
    preds = model.predict(X[:num])
    
    plt.figure(figsize=(15, 5*num))
    for i in range(num):
        plt.subplot(num,3,i*3+1)
        plt.imshow(X[i].squeeze(), cmap='gray')
        plt.title('输入图像')
        
        plt.subplot(num,3,i*3+2)
        plt.imshow(y[i].squeeze(), cmap='gray')
        plt.title('真实标注')
        
        plt.subplot(num,3,i*3+3)
        plt.imshow(preds[i].squeeze() > 0.5, cmap='gray')  # 阈值处理
        plt.title('预测结果')
    
    plt.tight_layout()
    plt.show()

show_predictions(model, X_val, y_val)


看病不求医，基于HAI在JupyterLab中用U-Net实现病灶识别

从医生到AI在肿瘤医院的阅片室里，王医生正聚精会神地盯着CT影像。她需要从数百张断层扫描图中，手工勾画出患者肺部的肿瘤区域。这项工作不仅耗时费力，更要求医生保持高度专注——一个细微的漏判就可能影响治疗方案的选择。这样的场景每天都在全球各大医院上演，直到AI技术的出现带来转机。医学图像分割技术通过深度学习算法，可以自动识别影像中的特定解剖结构或病变区域。其中，U-Net模型因其在生物医学图像分割中的

产品KOL

开发工具

本文介绍了医学图像分割技术，特别是U-Net模型在肿瘤医院阅片室中的应用。通过JupyterLab环境构建和训练U-Net模型，自动化识别影像中的病变区域，提升诊断效率和准确性。文章还展示了模型训练过程及效果评估，展望了AI在医疗领域的未来发展。

数据可视化

数据预处理

深度学习

图像分割

服务器

Python

2026采购季 | AI焕新·智启新局

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

看病不求医，基于HAI在JupyterLab中用U-Net实现病灶识别

看病不求医，基于HAI在JupyterLab中用U-Net实现病灶识别

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐