摘要：肺癌是当前威胁人类健康的重要疾病之一，肺结节作为肺癌早期筛查和诊断的重要影像学表现，其准确检测具有重要意义。CT影像因具有较高的空间分辨率，被广泛应用于肺部疾病检查。然而，传统人工阅片方式存在工作量大、主观性强、检测效率受限等问题，尤其在海量切片数据中，医生容易出现漏检和误判。因此，研究一种高效、准确的肺部CT结节智能检测方法与系统，对于辅助医生诊断、提升早期筛查效率具有重要的理论价值和实际意义。
项目简介
本项目是一个基于 U-Net 的肺部 CT 结节智能检测与可视化分析系统。
系统概述
本文围绕肺部CT结节检测任务，设计并实现了一种基于U-Net的肺部CT结节检测系统。系统以肺部CT切片为输入，利用U-Net模型对图像中的结节区域进行分割与检测，并结合面积、直径、面积占比、置信水平等指标，对结节风险进行辅助分析。系统前端采用PyQt5构建可视化界面，实现了数据目录导入、病例筛选、结节筛选、检测结果可视化、病例汇总分析以及检测报告导出等功能。后端通过深度学习模型完成图像推理，并支持结果叠加图、二值分割图、边界框视图和热力图视图等多种显示方式，从而增强了检测结果的直观性和可解释性。
实验结果表明，所设计系统能够较为准确地完成肺部CT结节区域检测，并具备良好的人机交互能力和可视化效果。与传统人工分析方式相比，该系统能够在一定程度上提高结节检测效率，减轻医生阅片负担，并为肺结节的辅助诊断提供支持。本文的研究为医学影像智能分析系统的开发提供了参考，也为后续进一步优化模型性能、扩展多类型肺部病灶检测功能奠定了基础。
系统架构
本系统采用分层式架构设计，整体由用户交互层、业务逻辑层、算法处理层和数据资源层四个部分构成。用户交互层主要负责数据 目录导入、病例筛选、结节筛选、结果模式切换、智能检测、结果显示与报告导出等功能，通过图形化界面实现用户与系统之间的 交互；业务逻辑层负责调度各功能模块，包括图像加载、模型权重加载、检测任务调用、病例汇总分析、结果输出以及日志管理等 流程控制；算法处理层主要以 U-Net 模型为核心，完成肺部 CT 图像中结节区域的分割、检测与可视化处理，同时结合面积、面积占比、直径和置信度等指标实现辅助诊断分析；数据资源层主要包括肺部 CT 切片数据集、结节标注掩膜、模型权重文件以及训 练结果、检测报告、日志和可视化图表等内容，为系统运行与实验分析提供基础支撑。
数据集构建
为了完成肺部 CT 结节检测模型的训练、测试与效果评估，本文对项目所使用的数据集进行了统一整理与构建。系统数据集主要由肺部 CT 切片图像和对应的结节标注掩膜两部分组成，其中图像数据用于模型输入，标注掩膜用于监督模型学习结节区域特征。根据项目的 数据组织方式，数据集按照病例编号、结节编号以及切片序号进行层次化存储，不同病例和结节样本分别保存在对应目录下，切片图像通常存放于 images 文件夹中，标注结果存放于对应的 mask-* 目录中。通过这种结构化方式，系统能够在训练、测试和图形 界面展示过程中自动完成图像与标注的匹配，为模型训练和检测结果可视化提供统一的数据基础。
在数据集构建过程中，本文重点考虑了训练可用性、数据规范性和实验可扩展性三个方面。一方面，通过统一目录结构、文件命名 规则以及图像与掩膜的一一对应关系，保证训练脚本、测试脚本和可视化系统能够直接读取所需数据，提高了系统整体的通用性与 可维护性；另一方面，针对肺部 CT 图像中结节区域较小、边界复杂的特点，数据集构建时保留了病例级和结节级的信息层次，以便后续进行单张切片检测分析和病例级综合判断。同时，系统还支持将整理后的数据进一步划分为训练集、验证集和测试集，用于 模型性能评估与实验对比。该数据集构建方式不仅满足了 U-Net 模型训练与推理的需要，也为结节检测结果展示、病例汇总分析和检测报告生成提供了可靠的数据支撑。
项目里的 history.csv 就是 train.py 训练过程中生成的。
然后plot_history.py 读取 history.csv 生成指标图
图1 dice_curve图
图2 iou_curve图
图3 iou_curve图
图4 lr_curve图
快速开始
安装项目依赖后，可运行 main.py 启动系统界面，或运行 train.py 开展模型训练，并结合 plot_history.py 实现训练结果的可视化分析。
环境要求
本项目建议在 Windows 环境下运行，系统以 Python 为开发基础，依托 PyTorch、OpenCV、PyQt5、scikit-image、Pillow 以及 matplotlib 等相关库，实现肺部 CT 结节检测模型的训练、推理、可视化分析与图形界面展示。
结果展示
图5 系统界面
图6 结果叠加图
图7 二值分割
图8 边界框视图
图9 热力图视
图10 检测报告
结果点评
从实验结果来看，基于 U-Net 的肺部 CT 结节检测系统能够较好地完成结节区域的分割与检测任务，并具备一定的稳定性和可视化分析能力。系统在训练过程中生成了损失曲线、Dice 系数曲线和 IoU 曲线等指标变化结果。从整体趋势来看，模型训练过程较为平稳，验证集指标逐步提升，说明所构建的网络在肺部 CT 结节检测任务上具有一定的有效性。与此同时，系统界面能够直观展示原始 CT 切片、检测结果叠加图、边界框视图、热力图视图以及病例汇总信息，提升了模型输出结果的可读性和可解释性
但从结果上看，系统仍存在一定局限性。例如，部分小尺寸结节或边界较模糊的区域在检测过程中可能出现识别不够准确、分割边界不够精细等情况；同时，由于训练数据规模和样本多样性有限，模型在复杂病例上的泛化能力仍有进一步提升空间。此外，当前系统主要完成的是结节检测与基础辅助分析，在临床应用层面仍需要结合更多数据验证、医生经验以及多维度评价指标进行综合判断。
总体而言，本文设计与实现的肺部 CT 结节检测系统已经具备了较完整的功能流程和较好的实验展示效果，能够满足毕业设计和科研演示的基本需求。该系统不仅验证了 U-Net 在肺部 CT 结节检测任务中的应用可行性，也为后续进一步优化模型结构、提升检测精度以及扩展多病灶智能分析功能奠定了基础。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品