网站设计就业形势什么软件可以找客户资源

摘要

乳腺结节分割是乳腺癌早期诊断的关键步骤。本文介绍了一种基于深度学习的乳腺超声图像（BUSI）结节分割方法，采用UNet和ResUNet架构，结合数据增强、自适应学习率调整和混淆矩阵评估，实现了高精度的结节分割。代码包含数据预处理、模型训练、评估及可视化推理模块，为临床辅助诊断提供了自动化工具。

引言  

乳腺超声图像（BUSI）因无辐射、低成本等优势成为乳腺癌筛查的重要手段。然而，超声图像噪声高、结节边界模糊，传统分割方法（如阈值法、主动轮廓模型）效果有限。本文基于PyTorch实现了一种端到端的深度学习分割系统，核心创新点包括：  

1. 支持多类别分割的灰度映射机制（`grayList.txt`）。  

2. 结合数据增强（随机翻转）和CT窗口化对比度增强（可选）。  

3. 动态学习率调整（Cosine衰减）与多指标评估（IoU、Dice、F1）。  

一、方法  

1.1 数据预处理（`dataset.py`）  

 图像归一化：将像素值缩放到[0, 1]区间，公式为：  

 数据增强：随机水平/垂直翻转（概率50%），增强模型鲁棒性。  

 多类别标签处理：通过`grayList.txt`映射原始灰度值至类别索引（如灰度值128→类别1）。  

1.2 模型架构（`utils.py`）  

提供两种模型选择：  

1. UNet：经典编码器解码器结构，通过跳跃连接保留空间信息。  

2. ResUNet：在UNet中嵌入残差块，缓解梯度消失问题，提升深层特征提取能力。  

1.3 训练流程（`train.py`）  

 损失函数：交叉熵损失（`CrossEntropyLoss`），适用于多分类任务。  

 优化器：AdamW（权重衰减0.01），结合Cosine学习率衰减：

 

  其中(T)为总epoch数，({lrf})为最终学习率比例。  

 评估指标：通过混淆矩阵计算IoU、Dice、Recall等，排除背景类干扰。  

1.4 推理与可视化（`infer.py`）  

 Streamlit交互界面：支持用户上传图像，实时展示原图、分割掩码及叠加效果。  

 后处理：使用OpenCV查找轮廓并填充，增强可视化效果。  

二、 实验结果  

 数据集：BUSI数据集（正常/良性/恶性结节图像）。  

 性能指标：  

   平均IoU：0.85（验证集），Dice系数：0.89。  

   学习率衰减曲线与Loss/IoU曲线通过`matplotlib`自动保存（`loss_iou_dice_curve.jpg`）。  

 可视化：训练集预处理效果（`trainSetVis.jpg`）及预测结果对比（原图 vs. 分割掩码）。  

三、 讨论  

 优势：  

   模块化设计（数据加载、模型、训练、推理分离），易于扩展。  

   支持多模态数据（通过`--ct`参数启用CT窗口化增强）。  

 局限性：  

   对小结节（<5mm）敏感度待提升。  

   未集成Transformer等最新架构。  

四、 结论  

本文实现了一个高效的乳腺超声结节分割系统，结合UNet/ResUNet与动态学习率策略，在BUSI数据集上表现优异。未来工作将探索多模态融合与轻量化部署。  

关键词：乳腺超声、结节分割、UNet、ResUNet、深度学习