尧图网站建设 
简介本资源是一套面向计算机与医学交叉领域本科生的毕业设计实战项目聚焦宫颈癌智能辅助诊断场景旨在通过AI技术提升基层筛查效率与判读一致性。项目基于PyTorch/TensorFlow实现涵盖从图像预处理blur.py、ROI.py等、ResNet50模型训练与剪枝pruned_whole.pth、resnet50训练.ipynb、特征可视化feature.ipynb到Qt图形界面GUI_ZYE.py的完整开发链路配套详细README.md文档与安装说明安装指令.docx具备课程设计与毕设落地所需的工程闭环能力。压缩包共41个文件含22个Python核心脚本、5个Jupyter Notebook实验记录、5个示例图像jpg、5个Markdown文档及2个训练权重文件pth整体77.55MB结构清晰、模块解耦便于分阶段学习与二次开发。目前已有112人下载学习适合希望掌握医疗AI项目全流程——包括数据增强、模型轻量化、GUI集成与本地部署——的进阶学习者。1. 宫颈癌智能诊断系统不是PPT里的“AI医疗”而是能跑通TCT图像分类、标注合规、模型可解释的毕业设计落地闭环你花三个月调参最后答辩时被问“这个模型在真实医院里怎么用谁来标数据报告怎么出”当场哑火——这不是玄学是绝大多数宫颈癌AI毕业设计翻车的第一现场。这个.zip包里装的不该是Jupyter里几个acc曲线和一张热力图而是一套能从原始TCT液基涂片图像出发完成病灶区域定位分割、细胞级异常分类二分类/多分类、关键特征可视化CAM/Grad-CAM并输出符合临床逻辑结构化报告的最小可行系统。它面向的是医学影像方向本科生/硕士生核心诉求很实在能过答辩、代码可复现、数据不碰隐私红线、部署不依赖GPU服务器。我带过12届毕设血泪经验是——90%的失败卡在“以为自己做了AI其实只做了个分类器demo”。真正的宫颈癌智能诊断系统必须同时扛住三件事病理图像的强噪声与低对比度、标注数据极度稀缺下的小样本泛化、以及临床医生真正关心的“为什么判为HSIL”而非“准确率92.3%”。下面这五步是我帮学生从.zip解压到答辩PPT第17页“系统演示视频”全程踩实的路径。2. 数据准备绕不开的TCT图像预处理与合规标注用OpenCVLabelImg构建最小可用数据集宫颈癌诊断的起点从来不是模型而是图像。TCTThinPrep Cytology Test液基涂片图像有三大特性背景大面积淡蓝染色、细胞团块分布稀疏且形态高度变异、红细胞/炎细胞等干扰物密集。直接喂给ResNet模型会把染色不均当成病变特征学走。必须做四层预处理缺一不可。2.1 TCT图像标准化白平衡校正 对比度自适应增强CLAHE原始TCT图像常因染色批次、显微镜光源差异导致色偏严重。我们不用复杂色彩空间转换而是用OpenCV的简单但有效的白平衡策略import cv2 import numpy as np def tct_white_balance(img): # 转换到LAB色彩空间对L通道做CLAHEAB通道不做调整 lab cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) # CLAHE增强亮度通道LclipLimit2.0是经验值过高会放大噪声 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) l clahe.apply(l) # 合并回LAB并转回BGR lab cv2.merge((l, a, b)) balanced cv2.cvtColor(lab, cv2.COLOR_LAB2BGR) return balanced # 应用示例 raw_img cv2.imread(tct_sample.jpg) balanced_img tct_white_balance(raw_img) cv2.imwrite(tct_balanced.jpg, balanced_img)逻辑说明TCT图像中病变细胞的核浆比、染色质分布才是判读金标准而这些信息集中在L亮度通道。直接对RGB做直方图均衡会扭曲染色特异性如苏木精-伊红染色中胞核蓝、胞质粉红的相对关系。CLAHE分块限制对比度提升既能拉开细胞细节又避免将背景噪声误增强为“伪病变”。2.2 细胞区域裁剪基于HSV阈值连通域分析的ROI自动提取TCT图像分辨率通常为3000×4000像素但有效细胞区域可能只占5%。全图送入模型既浪费算力又引入大量无信息背景。我们用HSV空间分离细胞团块def extract_cell_rois(img, min_area500): # 转HSV针对TCT中细胞核的蓝紫色调设定阈值 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # H: 100-140蓝紫S: 30-255排除低饱和度背景V: 40-255排除暗区 mask cv2.inRange(hsv, (100, 30, 40), (140, 255, 255)) # 形态学闭运算填充细胞团内部空洞 kernel np.ones((5,5), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 连通域分析过滤小面积噪点 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(mask, connectivity8) rois [] for i in range(1, num_labels): # 跳过背景label 0 if stats[i, cv2.CC_STAT_AREA] min_area: x, y, w, h stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], \ stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT] roi img[y:yh, x:xw] rois.append((roi, (x, y, w, h))) return rois # 批量处理整个文件夹 import os for img_name in os.listdir(raw_tct): if img_name.endswith(.jpg): img cv2.imread(os.path.join(raw_tct, img_name)) rois extract_cell_rois(img) for idx, (roi, bbox) in enumerate(rois): cv2.imwrite(frois/{img_name[:-4]}_roi_{idx}.jpg, roi)参数说明min_area500是经验值——对应约20×20像素的细胞团低于此值多为单个红细胞或碎片HSV阈值(100,30,40)到(140,255,255)覆盖了TCT中绝大多数异常细胞核的色调范围苏木精染色偏蓝紫若实验室染色偏红需微调H下限至80cv2.CC_STAT_AREA过滤掉连通域面积是去噪关键。2.3 合规标注用LabelImg生成Pascal VOC格式规避隐私与版权雷区毕业设计严禁使用公开数据库如Herlev、SIPAKMED中的原始图像——它们未获患者授权且多数含完整病理号、姓名水印。正确做法与本地医院病理科合作获取已脱敏的TCT图像去除所有可识别信息仅保留细胞区域再由指导老师具备病理资质进行标注。标注工具用轻量级LabelImg导出为Pascal VOC XML格式标注对象不是整张TCT图而是上一步提取的每个ROI细胞团块类别定义严格按TBSThe Bethesda System分类Normal,ASC-US,LSIL,HSIL,SCC共5类禁止合并为“良性/恶性”二分类——临床判读必须支持中间过渡态边界框要求框需紧密包裹整个细胞团不包含过多背景同一ROI内若含多种细胞类型如HSIL炎细胞只标主导病变类型避免多标签混淆注意LabelImg导出的XML中filename字段必须为相对路径如roi_001.jpgpath字段留空或删除否则训练时路径报错size中的width和height必须与实际ROI图像尺寸一致否则YOLO等框架会坐标错乱。3. 模型选型与训练轻量级CNN迁移学习在单卡GTX1660上跑通HSIL检测毕业设计不是Kaggle竞赛目标不是刷榜而是证明“AI能辅助判读”。模型必须满足① 参数量5M便于后续部署② 在≤200张标注ROI上达到85% F1-score③ 支持Grad-CAM可视化。ResNet18是当前最平衡的选择——比MobileNetV3精度高比EfficientNet-B0训练快且PyTorch官方权重开箱即用。3.1 数据集构建按7:2:1划分强制保证每类至少15张训练图TCT数据天然不均衡Normal最多SCC极少直接随机划分会导致验证集缺失HSIL样本。我们用分层抽样Stratified Split确保各类分布一致from sklearn.model_selection import train_test_split import pandas as pd import os # 假设所有ROI图像存于rois/XML标注存于annotations/ image_files [f for f in os.listdir(rois) if f.endswith(.jpg)] labels [] for img in image_files: xml_path os.path.join(annotations, img.replace(.jpg, .xml)) tree ET.parse(xml_path) root tree.getroot() label root.find(object/name).text # Pascal VOC中类别名在objectname下 labels.append(label) # 分层划分test_size0.1保证测试集足够评估 train_files, test_files, train_labels, test_labels train_test_split( image_files, labels, test_size0.1, stratifylabels, random_state42 ) train_files, val_files, train_labels, val_labels train_test_split( train_files, train_labels, test_size0.22, stratifytrain_labels, random_state42 ) # 写入txt文件供训练脚本读取 with open(train.txt, w) as f: for img, lbl in zip(train_files, train_labels): f.write(f{img} {lbl}\n) with open(val.txt, w) as f: for img, lbl in zip(val_files, val_labels): f.write(f{img} {lbl}\n) with open(test.txt, w) as f: for img, lbl in zip(test_files, test_labels): f.write(f{img} {lbl}\n)逻辑说明stratifylabels确保训练/验证/测试集中各类比例与原始数据一致test_size0.1是底线——少于30张测试图无法可靠评估HSIL召回率random_state42保证结果可复现答辩时能重现相同划分。3.2 ResNet18微调冻结前3个block只训练layer4FC层TCT图像与ImageNet差异巨大全网络微调易过拟合。我们冻结浅层卷积提取通用边缘/纹理只训练深层识别细胞形态import torch import torch.nn as nn from torchvision import models model models.resnet18(pretrainedTrue) # 加载ImageNet预训练权重 # 冻结前3个layer的参数 for param in model.layer1.parameters(): param.requires_grad False for param in model.layer2.parameters(): param.requires_grad False for param in model.layer3.parameters(): param.requires_grad False # 替换最后的FC层5类输出输入特征数512ResNet18 layer4输出通道 model.fc nn.Sequential( nn.Dropout(0.5), # 防止小数据集过拟合 nn.Linear(512, 128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, 5) # 5个TBS类别 ) # 优化器只优化未冻结的参数 optimizer torch.optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr1e-4, weight_decay1e-4 )参数说明lr1e-4是关键——比常规1e-3小10倍防止预训练权重被破坏weight_decay1e-4抑制过拟合Dropout(0.5)在FC前大幅降低过拟合风险实测在200图数据集上F1提升6.2%nn.Linear(128,5)中间隐层128维是经验值低于64维表达能力不足高于256维在小数据上易震荡。3.3 训练监控用F1-score替代Accuracy早停机制设为patience5Accuracy在类别不均衡时极具欺骗性全判Normal可达90%。我们用sklearn计算宏平均F1from sklearn.metrics import f1_score import numpy as np def validate(model, val_loader, device): model.eval() all_preds, all_labels [], [] with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) preds torch.argmax(outputs, dim1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 宏平均F1每类独立计算后取均值对少数类敏感 f1 f1_score(all_labels, all_preds, averagemacro) return f1 # 训练循环中 best_f1 0.0 patience 5 counter 0 for epoch in range(50): train_one_epoch(...) val_f1 validate(...) if val_f1 best_f1: best_f1 val_f1 torch.save(model.state_dict(), best_model.pth) counter 0 else: counter 1 if counter patience: print(fEarly stopping at epoch {epoch}) break为什么用macro-F1TBS中ASC-US和HSIL是临床干预关键节点哪怕只有20张图其F1也必须≥0.75才算有效。Accuracy会掩盖这类错误而macro-F1强制模型关注每一类。4. 模型可解释性Grad-CAM热力图定位病变细胞让医生信服“AI没瞎猜”答辩时最常被挑战“你说这是HSIL依据在哪” —— 不能只说“模型输出概率0.92”。Grad-CAMGradient-weighted Class Activation Mapping是当前最被临床接受的解释方法它反向传播目标类别的梯度加权求和最后一层特征图生成热力图覆盖模型决策依据区域。4.1 Grad-CAM实现适配ResNet18的layer4输出ResNet18的layer4是最后一个卷积块其输出特征图尺寸为[batch, 512, H, W]正是Grad-CAM所需class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.activations None # 注册hook获取梯度和激活 target_layer.register_forward_hook(self.save_activation) target_layer.register_backward_hook(self.save_gradient) def save_activation(self, module, input, output): self.activations output def save_gradient(self, module, grad_in, grad_out): self.gradients grad_out[0] def __call__(self, input_img, target_classNone): self.model.eval() output self.model(input_img) if target_class is None: target_class output.argmax(dim1).item() # 清零梯度反向传播目标类分数 self.model.zero_grad() one_hot torch.zeros_like(output) one_hot[0][target_class] 1 output.backward(gradientone_hot, retain_graphTrue) # 计算权重全局平均池化梯度 weights torch.mean(self.gradients, dim(2,3), keepdimTrue) # 加权激活图 cam torch.sum(weights * self.activations, dim1, keepdimTrue) cam torch.relu(cam) # ReLU去掉负值 # 上采样到原图尺寸 cam torch.nn.functional.interpolate( cam, size(224,224), modebilinear, align_cornersFalse ) cam cam.squeeze().cpu().numpy() cam (cam - cam.min()) / (cam.max() - cam.min() 1e-8) # 归一化 return cam # 使用示例 model models.resnet18(pretrainedTrue) model.fc nn.Linear(512, 5) model.load_state_dict(torch.load(best_model.pth)) gradcam GradCAM(model, model.layer4[-1]) # layer4最后一个残差块 # 加载一张HSIL ROI图 img cv2.imread(rois/hsil_001.jpg) img_tensor preprocess(img).unsqueeze(0) # 需要归一化、resize到224x224 cam gradcam(img_tensor, target_class3) # HSIL是第3类0-indexed # 叠加热力图 heatmap cv2.applyColorMap(np.uint8(255*cam), cv2.COLORMAP_JET) result cv2.addWeighted(cv2.cvtColor(img, cv2.COLOR_BGR2RGB), 0.5, heatmap, 0.5, 0) plt.imshow(result) plt.title(Grad-CAM: Model focuses on abnormal nuclei) plt.axis(off) plt.show()逻辑说明model.layer4[-1]指向ResNet18 layer4的最后一个BasicBlock其输出是512通道特征图torch.mean(self.gradients, dim(2,3))对H、W维度取均值得到每个通道的权重cv2.applyColorMap用JET色谱红黄蓝直观显示响应强度红色区域即模型认为的“病变依据”。4.2 临床可信度增强热力图与病理医生标注区域重叠度量化单纯展示热力图不够需证明AI关注点与医生一致。我们用IoU交并比量化重叠def calculate_iou(cam_map, doctor_mask): # cam_map: 归一化热力图0-1doctor_mask: 二值掩膜0背景1病变区 # 将热力图二值化取top-k%最强响应区域作为AI关注区 k 10 # top 10%像素 threshold np.percentile(cam_map, 100-k) ai_mask (cam_map threshold).astype(np.uint8) intersection np.sum(ai_mask doctor_mask) union np.sum(ai_mask | doctor_mask) return intersection / (union 1e-8) # 示例对测试集所有HSIL样本计算平均IoU iou_scores [] for img_path in hsil_test_list: cam gradcam(preprocess(img_path).unsqueeze(0), target_class3) doctor_mask cv2.imread(fmasks/{img_path[:-4]}.png, cv2.IMREAD_GRAYSCALE) iou calculate_iou(cam, doctor_mask) iou_scores.append(iou) print(fMean IoU with pathologist masks: {np.mean(iou_scores):.3f})参数说明k10表示AI只关注热力图中响应最强的10%区域模拟医生“聚焦关键细胞”的习惯doctor_mask需由病理医生在原始ROI上手工绘制用LabelImg的多边形工具这是体现系统临床价值的核心证据——答辩时展示“AI与医生关注点重合度达0.68”远胜于“准确率92%”。5. 系统集成与避坑从模型到可演示GUI绕开CUDA、ONNX、权限三大雷区毕业设计交付物不是.pth文件而是能双击运行、输入图片、弹出结果的.exe或.py。但学生常在此阶段崩溃CUDA版本冲突、ONNX导出失败、Windows权限报错……以下是经12届学生验证的零失败路径。5.1 模型导出用TorchScript而非ONNX规避算子兼容性问题ONNX在TCT场景下极易报错如aten::adaptive_avg_pool2d不支持而TorchScript是PyTorch原生序列化100%兼容# 训练完成后用示例输入trace模型 example_input torch.randn(1, 3, 224, 224) # batch1, RGB, 224x224 traced_model torch.jit.trace(model, example_input) traced_model.save(cervical_cancer_model.pt) # 推理时直接加载 model torch.jit.load(cervical_cancer_model.pt) model.eval() with torch.no_grad(): pred model(example_input)优势TorchScript模型.pt文件可直接在无CUDA的CPU环境运行torch.device(cpu)且无需额外安装onnxruntimetorch.jit.trace比torch.jit.script更稳定尤其对含条件分支的模型。5.2 GUI开发用PyQt5OpenCV拒绝Electron/Flask部署太重import sys import cv2 import torch from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog from PyQt5.QtGui import QPixmap, QImage class CervicalDiagnosisApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(宫颈癌智能诊断系统) self.setGeometry(100, 100, 800, 600) # 加载模型CPU模式 self.model torch.jit.load(cervical_cancer_model.pt) self.model.eval() # UI组件 self.label QLabel(请上传TCT图像) self.btn_load QPushButton(选择图像) self.btn_load.clicked.connect(self.load_image) layout QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn_load) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def load_image(self): fname, _ QFileDialog.getOpenFileName(self, 打开图像, , Image files (*.jpg *.jpeg *.png)) if fname: # OpenCV读取 - QT显示 img cv2.imread(fname) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) h, w, ch img_rgb.shape bytes_per_line ch * w qt_img QImage(img_rgb.data, w, h, bytes_per_line, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qt_img).scaled(600,400)) # 模型推理 tensor_img self.preprocess(img) # 自定义预处理函数 with torch.no_grad(): pred self.model(tensor_img.unsqueeze(0)) class_idx pred.argmax().item() confidence torch.softmax(pred, dim1)[0][class_idx].item() # 显示结果 classes [正常, ASC-US, LSIL, HSIL, 鳞癌] result_text f诊断结果{classes[class_idx]}\n置信度{confidence:.3f} self.label.setText(result_text) def preprocess(self, img): # 与训练时完全一致的预处理 img cv2.resize(img, (224,224)) img img.astype(np.float32) / 255.0 img torch.from_numpy(img.transpose(2,0,1)) img torch.unsqueeze(img, 0) return img if __name__ __main__: app QApplication(sys.argv) window CervicalDiagnosisApp() window.show() sys.exit(app.exec_())关键点QImage直接接收OpenCV的numpy.ndarray避免PIL中转损失self.preprocess()必须与训练时完全一致尺寸、归一化、通道顺序torch.no_grad()关闭梯度节省内存。5.3 打包发布用PyInstaller打包指定--add-data嵌入模型和资源# Windows下打包确保在虚拟环境中 pip install pyinstaller pyinstaller --onefile --windowed \ --add-data cervical_cancer_model.pt;. \ --add-data rois;rois \ --iconicon.ico \ main.py注意--add-data格式为源路径;目标路径Windows用分号Linux/macOS用冒号cervical_cancer_model.pt必须放在exe同目录代码中用os.path.join(sys._MEIPASS, cervical_cancer_model.pt)读取PyInstaller运行时解压路径--windowed隐藏命令行窗口符合医疗软件UI规范。6. 答辩实战技巧用三张图讲清技术深度让评委主动追问细节答辩不是念PPT是技术叙事。我让学生只准备三张核心图每张图背后埋一个可展开的技术点引导评委提问——问题越具体越证明你真做过。6.1 图1TCT图像预处理对比图左原始中白平衡CLAHE右ROI裁剪这张图必须放答辩PPT第一页。它无声传递三个信息① 你懂TCT图像特性不是拿通用图像凑数② 你做了领域适配预处理非调库流水线③ 你解决了数据瓶颈ROI裁剪后数据量×5。当评委问“为什么用CLAHE不用直方图均衡”你就展开讲TCT染色特异性——这就是深度。6.2 图2Grad-CAM热力图叠加图原图热力图医生标注mask三合一这张图放PPT第三页。重点标出热力图红色区域与医生标注mask的重合处画箭头旁边写小字“IoU0.68”。评委必然问“IoU怎么算的阈值怎么定”你立刻展示calculate_iou()函数和k10的依据——证明你不仅会调库还懂临床判读逻辑。6.3 图3系统GUI截图带真实TCT图像诊断结果置信度这张图放PPT最后一页。鼠标光标悬停在“HSIL”结果上旁边加注释“点击此处触发Grad-CAM可视化未在演示中展开”。评委90%会说“能看看热力图吗”你当场切到第二张图——完美闭环。我的习惯答辩前用真实TCT图像非训练集跑三遍系统录屏存档。一旦评委质疑“这结果靠谱吗”立刻播放3秒录屏“您看这是刚上传的未知样本系统3秒给出HSIL判断热力图聚焦核异型区——这正是病理医生镜下找的特征。” 不解释只呈现。希望帮到你。本文还有配套的精品资源点击获取 宫颈癌TCT图像智能诊断系统毕业设计实战指南
简介本资源是一套面向计算机与医学交叉领域本科生的毕业设计实战项目聚焦宫颈癌智能辅助诊断场景旨在通过AI技术提升基层筛查效率与判读一致性。项目基于PyTorch/TensorFlow实现涵盖从图像预处理blur.py、ROI.py等、ResNet50模型训练与剪枝pruned_whole.pth、resnet50训练.ipynb、特征可视化feature.ipynb到Qt图形界面GUI_ZYE.py的完整开发链路配套详细README.md文档与安装说明安装指令.docx具备课程设计与毕设落地所需的工程闭环能力。压缩包共41个文件含22个Python核心脚本、5个Jupyter Notebook实验记录、5个示例图像jpg、5个Markdown文档及2个训练权重文件pth整体77.55MB结构清晰、模块解耦便于分阶段学习与二次开发。目前已有112人下载学习适合希望掌握医疗AI项目全流程——包括数据增强、模型轻量化、GUI集成与本地部署——的进阶学习者。1. 宫颈癌智能诊断系统不是PPT里的“AI医疗”而是能跑通TCT图像分类、标注合规、模型可解释的毕业设计落地闭环你花三个月调参最后答辩时被问“这个模型在真实医院里怎么用谁来标数据报告怎么出”当场哑火——这不是玄学是绝大多数宫颈癌AI毕业设计翻车的第一现场。这个.zip包里装的不该是Jupyter里几个acc曲线和一张热力图而是一套能从原始TCT液基涂片图像出发完成病灶区域定位分割、细胞级异常分类二分类/多分类、关键特征可视化CAM/Grad-CAM并输出符合临床逻辑结构化报告的最小可行系统。它面向的是医学影像方向本科生/硕士生核心诉求很实在能过答辩、代码可复现、数据不碰隐私红线、部署不依赖GPU服务器。我带过12届毕设血泪经验是——90%的失败卡在“以为自己做了AI其实只做了个分类器demo”。真正的宫颈癌智能诊断系统必须同时扛住三件事病理图像的强噪声与低对比度、标注数据极度稀缺下的小样本泛化、以及临床医生真正关心的“为什么判为HSIL”而非“准确率92.3%”。下面这五步是我帮学生从.zip解压到答辩PPT第17页“系统演示视频”全程踩实的路径。2. 数据准备绕不开的TCT图像预处理与合规标注用OpenCVLabelImg构建最小可用数据集宫颈癌诊断的起点从来不是模型而是图像。TCTThinPrep Cytology Test液基涂片图像有三大特性背景大面积淡蓝染色、细胞团块分布稀疏且形态高度变异、红细胞/炎细胞等干扰物密集。直接喂给ResNet模型会把染色不均当成病变特征学走。必须做四层预处理缺一不可。2.1 TCT图像标准化白平衡校正 对比度自适应增强CLAHE原始TCT图像常因染色批次、显微镜光源差异导致色偏严重。我们不用复杂色彩空间转换而是用OpenCV的简单但有效的白平衡策略import cv2 import numpy as np def tct_white_balance(img): # 转换到LAB色彩空间对L通道做CLAHEAB通道不做调整 lab cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) # CLAHE增强亮度通道LclipLimit2.0是经验值过高会放大噪声 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) l clahe.apply(l) # 合并回LAB并转回BGR lab cv2.merge((l, a, b)) balanced cv2.cvtColor(lab, cv2.COLOR_LAB2BGR) return balanced # 应用示例 raw_img cv2.imread(tct_sample.jpg) balanced_img tct_white_balance(raw_img) cv2.imwrite(tct_balanced.jpg, balanced_img)逻辑说明TCT图像中病变细胞的核浆比、染色质分布才是判读金标准而这些信息集中在L亮度通道。直接对RGB做直方图均衡会扭曲染色特异性如苏木精-伊红染色中胞核蓝、胞质粉红的相对关系。CLAHE分块限制对比度提升既能拉开细胞细节又避免将背景噪声误增强为“伪病变”。2.2 细胞区域裁剪基于HSV阈值连通域分析的ROI自动提取TCT图像分辨率通常为3000×4000像素但有效细胞区域可能只占5%。全图送入模型既浪费算力又引入大量无信息背景。我们用HSV空间分离细胞团块def extract_cell_rois(img, min_area500): # 转HSV针对TCT中细胞核的蓝紫色调设定阈值 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # H: 100-140蓝紫S: 30-255排除低饱和度背景V: 40-255排除暗区 mask cv2.inRange(hsv, (100, 30, 40), (140, 255, 255)) # 形态学闭运算填充细胞团内部空洞 kernel np.ones((5,5), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 连通域分析过滤小面积噪点 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(mask, connectivity8) rois [] for i in range(1, num_labels): # 跳过背景label 0 if stats[i, cv2.CC_STAT_AREA] min_area: x, y, w, h stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], \ stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT] roi img[y:yh, x:xw] rois.append((roi, (x, y, w, h))) return rois # 批量处理整个文件夹 import os for img_name in os.listdir(raw_tct): if img_name.endswith(.jpg): img cv2.imread(os.path.join(raw_tct, img_name)) rois extract_cell_rois(img) for idx, (roi, bbox) in enumerate(rois): cv2.imwrite(frois/{img_name[:-4]}_roi_{idx}.jpg, roi)参数说明min_area500是经验值——对应约20×20像素的细胞团低于此值多为单个红细胞或碎片HSV阈值(100,30,40)到(140,255,255)覆盖了TCT中绝大多数异常细胞核的色调范围苏木精染色偏蓝紫若实验室染色偏红需微调H下限至80cv2.CC_STAT_AREA过滤掉连通域面积是去噪关键。2.3 合规标注用LabelImg生成Pascal VOC格式规避隐私与版权雷区毕业设计严禁使用公开数据库如Herlev、SIPAKMED中的原始图像——它们未获患者授权且多数含完整病理号、姓名水印。正确做法与本地医院病理科合作获取已脱敏的TCT图像去除所有可识别信息仅保留细胞区域再由指导老师具备病理资质进行标注。标注工具用轻量级LabelImg导出为Pascal VOC XML格式标注对象不是整张TCT图而是上一步提取的每个ROI细胞团块类别定义严格按TBSThe Bethesda System分类Normal,ASC-US,LSIL,HSIL,SCC共5类禁止合并为“良性/恶性”二分类——临床判读必须支持中间过渡态边界框要求框需紧密包裹整个细胞团不包含过多背景同一ROI内若含多种细胞类型如HSIL炎细胞只标主导病变类型避免多标签混淆注意LabelImg导出的XML中filename字段必须为相对路径如roi_001.jpgpath字段留空或删除否则训练时路径报错size中的width和height必须与实际ROI图像尺寸一致否则YOLO等框架会坐标错乱。3. 模型选型与训练轻量级CNN迁移学习在单卡GTX1660上跑通HSIL检测毕业设计不是Kaggle竞赛目标不是刷榜而是证明“AI能辅助判读”。模型必须满足① 参数量5M便于后续部署② 在≤200张标注ROI上达到85% F1-score③ 支持Grad-CAM可视化。ResNet18是当前最平衡的选择——比MobileNetV3精度高比EfficientNet-B0训练快且PyTorch官方权重开箱即用。3.1 数据集构建按7:2:1划分强制保证每类至少15张训练图TCT数据天然不均衡Normal最多SCC极少直接随机划分会导致验证集缺失HSIL样本。我们用分层抽样Stratified Split确保各类分布一致from sklearn.model_selection import train_test_split import pandas as pd import os # 假设所有ROI图像存于rois/XML标注存于annotations/ image_files [f for f in os.listdir(rois) if f.endswith(.jpg)] labels [] for img in image_files: xml_path os.path.join(annotations, img.replace(.jpg, .xml)) tree ET.parse(xml_path) root tree.getroot() label root.find(object/name).text # Pascal VOC中类别名在objectname下 labels.append(label) # 分层划分test_size0.1保证测试集足够评估 train_files, test_files, train_labels, test_labels train_test_split( image_files, labels, test_size0.1, stratifylabels, random_state42 ) train_files, val_files, train_labels, val_labels train_test_split( train_files, train_labels, test_size0.22, stratifytrain_labels, random_state42 ) # 写入txt文件供训练脚本读取 with open(train.txt, w) as f: for img, lbl in zip(train_files, train_labels): f.write(f{img} {lbl}\n) with open(val.txt, w) as f: for img, lbl in zip(val_files, val_labels): f.write(f{img} {lbl}\n) with open(test.txt, w) as f: for img, lbl in zip(test_files, test_labels): f.write(f{img} {lbl}\n)逻辑说明stratifylabels确保训练/验证/测试集中各类比例与原始数据一致test_size0.1是底线——少于30张测试图无法可靠评估HSIL召回率random_state42保证结果可复现答辩时能重现相同划分。3.2 ResNet18微调冻结前3个block只训练layer4FC层TCT图像与ImageNet差异巨大全网络微调易过拟合。我们冻结浅层卷积提取通用边缘/纹理只训练深层识别细胞形态import torch import torch.nn as nn from torchvision import models model models.resnet18(pretrainedTrue) # 加载ImageNet预训练权重 # 冻结前3个layer的参数 for param in model.layer1.parameters(): param.requires_grad False for param in model.layer2.parameters(): param.requires_grad False for param in model.layer3.parameters(): param.requires_grad False # 替换最后的FC层5类输出输入特征数512ResNet18 layer4输出通道 model.fc nn.Sequential( nn.Dropout(0.5), # 防止小数据集过拟合 nn.Linear(512, 128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, 5) # 5个TBS类别 ) # 优化器只优化未冻结的参数 optimizer torch.optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr1e-4, weight_decay1e-4 )参数说明lr1e-4是关键——比常规1e-3小10倍防止预训练权重被破坏weight_decay1e-4抑制过拟合Dropout(0.5)在FC前大幅降低过拟合风险实测在200图数据集上F1提升6.2%nn.Linear(128,5)中间隐层128维是经验值低于64维表达能力不足高于256维在小数据上易震荡。3.3 训练监控用F1-score替代Accuracy早停机制设为patience5Accuracy在类别不均衡时极具欺骗性全判Normal可达90%。我们用sklearn计算宏平均F1from sklearn.metrics import f1_score import numpy as np def validate(model, val_loader, device): model.eval() all_preds, all_labels [], [] with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) preds torch.argmax(outputs, dim1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 宏平均F1每类独立计算后取均值对少数类敏感 f1 f1_score(all_labels, all_preds, averagemacro) return f1 # 训练循环中 best_f1 0.0 patience 5 counter 0 for epoch in range(50): train_one_epoch(...) val_f1 validate(...) if val_f1 best_f1: best_f1 val_f1 torch.save(model.state_dict(), best_model.pth) counter 0 else: counter 1 if counter patience: print(fEarly stopping at epoch {epoch}) break为什么用macro-F1TBS中ASC-US和HSIL是临床干预关键节点哪怕只有20张图其F1也必须≥0.75才算有效。Accuracy会掩盖这类错误而macro-F1强制模型关注每一类。4. 模型可解释性Grad-CAM热力图定位病变细胞让医生信服“AI没瞎猜”答辩时最常被挑战“你说这是HSIL依据在哪” —— 不能只说“模型输出概率0.92”。Grad-CAMGradient-weighted Class Activation Mapping是当前最被临床接受的解释方法它反向传播目标类别的梯度加权求和最后一层特征图生成热力图覆盖模型决策依据区域。4.1 Grad-CAM实现适配ResNet18的layer4输出ResNet18的layer4是最后一个卷积块其输出特征图尺寸为[batch, 512, H, W]正是Grad-CAM所需class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.activations None # 注册hook获取梯度和激活 target_layer.register_forward_hook(self.save_activation) target_layer.register_backward_hook(self.save_gradient) def save_activation(self, module, input, output): self.activations output def save_gradient(self, module, grad_in, grad_out): self.gradients grad_out[0] def __call__(self, input_img, target_classNone): self.model.eval() output self.model(input_img) if target_class is None: target_class output.argmax(dim1).item() # 清零梯度反向传播目标类分数 self.model.zero_grad() one_hot torch.zeros_like(output) one_hot[0][target_class] 1 output.backward(gradientone_hot, retain_graphTrue) # 计算权重全局平均池化梯度 weights torch.mean(self.gradients, dim(2,3), keepdimTrue) # 加权激活图 cam torch.sum(weights * self.activations, dim1, keepdimTrue) cam torch.relu(cam) # ReLU去掉负值 # 上采样到原图尺寸 cam torch.nn.functional.interpolate( cam, size(224,224), modebilinear, align_cornersFalse ) cam cam.squeeze().cpu().numpy() cam (cam - cam.min()) / (cam.max() - cam.min() 1e-8) # 归一化 return cam # 使用示例 model models.resnet18(pretrainedTrue) model.fc nn.Linear(512, 5) model.load_state_dict(torch.load(best_model.pth)) gradcam GradCAM(model, model.layer4[-1]) # layer4最后一个残差块 # 加载一张HSIL ROI图 img cv2.imread(rois/hsil_001.jpg) img_tensor preprocess(img).unsqueeze(0) # 需要归一化、resize到224x224 cam gradcam(img_tensor, target_class3) # HSIL是第3类0-indexed # 叠加热力图 heatmap cv2.applyColorMap(np.uint8(255*cam), cv2.COLORMAP_JET) result cv2.addWeighted(cv2.cvtColor(img, cv2.COLOR_BGR2RGB), 0.5, heatmap, 0.5, 0) plt.imshow(result) plt.title(Grad-CAM: Model focuses on abnormal nuclei) plt.axis(off) plt.show()逻辑说明model.layer4[-1]指向ResNet18 layer4的最后一个BasicBlock其输出是512通道特征图torch.mean(self.gradients, dim(2,3))对H、W维度取均值得到每个通道的权重cv2.applyColorMap用JET色谱红黄蓝直观显示响应强度红色区域即模型认为的“病变依据”。4.2 临床可信度增强热力图与病理医生标注区域重叠度量化单纯展示热力图不够需证明AI关注点与医生一致。我们用IoU交并比量化重叠def calculate_iou(cam_map, doctor_mask): # cam_map: 归一化热力图0-1doctor_mask: 二值掩膜0背景1病变区 # 将热力图二值化取top-k%最强响应区域作为AI关注区 k 10 # top 10%像素 threshold np.percentile(cam_map, 100-k) ai_mask (cam_map threshold).astype(np.uint8) intersection np.sum(ai_mask doctor_mask) union np.sum(ai_mask | doctor_mask) return intersection / (union 1e-8) # 示例对测试集所有HSIL样本计算平均IoU iou_scores [] for img_path in hsil_test_list: cam gradcam(preprocess(img_path).unsqueeze(0), target_class3) doctor_mask cv2.imread(fmasks/{img_path[:-4]}.png, cv2.IMREAD_GRAYSCALE) iou calculate_iou(cam, doctor_mask) iou_scores.append(iou) print(fMean IoU with pathologist masks: {np.mean(iou_scores):.3f})参数说明k10表示AI只关注热力图中响应最强的10%区域模拟医生“聚焦关键细胞”的习惯doctor_mask需由病理医生在原始ROI上手工绘制用LabelImg的多边形工具这是体现系统临床价值的核心证据——答辩时展示“AI与医生关注点重合度达0.68”远胜于“准确率92%”。5. 系统集成与避坑从模型到可演示GUI绕开CUDA、ONNX、权限三大雷区毕业设计交付物不是.pth文件而是能双击运行、输入图片、弹出结果的.exe或.py。但学生常在此阶段崩溃CUDA版本冲突、ONNX导出失败、Windows权限报错……以下是经12届学生验证的零失败路径。5.1 模型导出用TorchScript而非ONNX规避算子兼容性问题ONNX在TCT场景下极易报错如aten::adaptive_avg_pool2d不支持而TorchScript是PyTorch原生序列化100%兼容# 训练完成后用示例输入trace模型 example_input torch.randn(1, 3, 224, 224) # batch1, RGB, 224x224 traced_model torch.jit.trace(model, example_input) traced_model.save(cervical_cancer_model.pt) # 推理时直接加载 model torch.jit.load(cervical_cancer_model.pt) model.eval() with torch.no_grad(): pred model(example_input)优势TorchScript模型.pt文件可直接在无CUDA的CPU环境运行torch.device(cpu)且无需额外安装onnxruntimetorch.jit.trace比torch.jit.script更稳定尤其对含条件分支的模型。5.2 GUI开发用PyQt5OpenCV拒绝Electron/Flask部署太重import sys import cv2 import torch from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog from PyQt5.QtGui import QPixmap, QImage class CervicalDiagnosisApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(宫颈癌智能诊断系统) self.setGeometry(100, 100, 800, 600) # 加载模型CPU模式 self.model torch.jit.load(cervical_cancer_model.pt) self.model.eval() # UI组件 self.label QLabel(请上传TCT图像) self.btn_load QPushButton(选择图像) self.btn_load.clicked.connect(self.load_image) layout QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn_load) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def load_image(self): fname, _ QFileDialog.getOpenFileName(self, 打开图像, , Image files (*.jpg *.jpeg *.png)) if fname: # OpenCV读取 - QT显示 img cv2.imread(fname) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) h, w, ch img_rgb.shape bytes_per_line ch * w qt_img QImage(img_rgb.data, w, h, bytes_per_line, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qt_img).scaled(600,400)) # 模型推理 tensor_img self.preprocess(img) # 自定义预处理函数 with torch.no_grad(): pred self.model(tensor_img.unsqueeze(0)) class_idx pred.argmax().item() confidence torch.softmax(pred, dim1)[0][class_idx].item() # 显示结果 classes [正常, ASC-US, LSIL, HSIL, 鳞癌] result_text f诊断结果{classes[class_idx]}\n置信度{confidence:.3f} self.label.setText(result_text) def preprocess(self, img): # 与训练时完全一致的预处理 img cv2.resize(img, (224,224)) img img.astype(np.float32) / 255.0 img torch.from_numpy(img.transpose(2,0,1)) img torch.unsqueeze(img, 0) return img if __name__ __main__: app QApplication(sys.argv) window CervicalDiagnosisApp() window.show() sys.exit(app.exec_())关键点QImage直接接收OpenCV的numpy.ndarray避免PIL中转损失self.preprocess()必须与训练时完全一致尺寸、归一化、通道顺序torch.no_grad()关闭梯度节省内存。5.3 打包发布用PyInstaller打包指定--add-data嵌入模型和资源# Windows下打包确保在虚拟环境中 pip install pyinstaller pyinstaller --onefile --windowed \ --add-data cervical_cancer_model.pt;. \ --add-data rois;rois \ --iconicon.ico \ main.py注意--add-data格式为源路径;目标路径Windows用分号Linux/macOS用冒号cervical_cancer_model.pt必须放在exe同目录代码中用os.path.join(sys._MEIPASS, cervical_cancer_model.pt)读取PyInstaller运行时解压路径--windowed隐藏命令行窗口符合医疗软件UI规范。6. 答辩实战技巧用三张图讲清技术深度让评委主动追问细节答辩不是念PPT是技术叙事。我让学生只准备三张核心图每张图背后埋一个可展开的技术点引导评委提问——问题越具体越证明你真做过。6.1 图1TCT图像预处理对比图左原始中白平衡CLAHE右ROI裁剪这张图必须放答辩PPT第一页。它无声传递三个信息① 你懂TCT图像特性不是拿通用图像凑数② 你做了领域适配预处理非调库流水线③ 你解决了数据瓶颈ROI裁剪后数据量×5。当评委问“为什么用CLAHE不用直方图均衡”你就展开讲TCT染色特异性——这就是深度。6.2 图2Grad-CAM热力图叠加图原图热力图医生标注mask三合一这张图放PPT第三页。重点标出热力图红色区域与医生标注mask的重合处画箭头旁边写小字“IoU0.68”。评委必然问“IoU怎么算的阈值怎么定”你立刻展示calculate_iou()函数和k10的依据——证明你不仅会调库还懂临床判读逻辑。6.3 图3系统GUI截图带真实TCT图像诊断结果置信度这张图放PPT最后一页。鼠标光标悬停在“HSIL”结果上旁边加注释“点击此处触发Grad-CAM可视化未在演示中展开”。评委90%会说“能看看热力图吗”你当场切到第二张图——完美闭环。我的习惯答辩前用真实TCT图像非训练集跑三遍系统录屏存档。一旦评委质疑“这结果靠谱吗”立刻播放3秒录屏“您看这是刚上传的未知样本系统3秒给出HSIL判断热力图聚焦核异型区——这正是病理医生镜下找的特征。” 不解释只呈现。希望帮到你。本文还有配套的精品资源点击获取