乳腺超声图像结节分割

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

相关推荐
m0_678693333 分钟前
深度学习笔记29-RNN实现阿尔茨海默病诊断(Pytorch)
笔记·rnn·深度学习
胡耀超15 分钟前
标签体系设计与管理:从理论基础到智能化实践的综合指南
人工智能·python·深度学习·数据挖掘·大模型·用户画像·语义分析
开-悟19 分钟前
嵌入式编程-使用AI查找BUG的启发
c语言·人工智能·嵌入式硬件·bug
Ailerx20 分钟前
YOLOv13震撼发布:超图增强引领目标检测新纪元
人工智能·yolo·目标检测
大咖分享课40 分钟前
开源模型与商用模型协同开发机制设计
人工智能·开源·ai模型
你不知道我是谁?1 小时前
AI 应用于进攻性安全
人工智能·安全
reddingtons1 小时前
Adobe高阶技巧与设计师创意思维的进阶指南
人工智能·adobe·illustrator·设计师·photoshop·创意设计·aftereffects
机器之心1 小时前
刚刚,Grok4跑分曝光:「人类最后考试」拿下45%,是Gemini 2.5两倍,但网友不信
人工智能
蹦蹦跳跳真可爱5892 小时前
Python----大模型(使用api接口调用大模型)
人工智能·python·microsoft·语言模型
小爷毛毛_卓寿杰2 小时前
突破政务文档理解瓶颈:基于多模态大模型的智能解析系统详解
人工智能·llm