★ FEATURED ARTICLE 简介本资源是一套面向计算机与医学交叉领域初学者的毕业设计实践项目聚焦宫颈癌智能辅助诊断场景适用于高校本科生课程设计、毕设选题及AI医疗入门学习者。项目基于深度学习构建端到端图像识别系统涵盖数据预处理、ResNet50模型训练与剪枝、Qt图形界面开发及完整部署逻辑切实解决基层筛查中人工判读效率低、主观性强等现实问题。压缩包共41个文件含22个Python核心脚本如blur.py、ROI.py、GUI_ZYE.py、5个Jupyter Notebook实验记录含resnet50训练、特征可视化、模型对比、5份Markdown说明文档含slim prune、qt fusion等关键技术点、2个.pth模型权重文件及1份Word安装指南整体77.55MB结构清晰、模块解耦明确。目前已有112人学习下载读者可直接复现训练流程、调试UI交互、理解医学图像预处理范式并获得从数据清洗到模型轻量化落地的全流程工程实践参考。1. 宫颈癌智能诊断系统不是PPT摆设而是能跑通病理切片推理、支持医生复核的端到端闭环“毕业设计宫颈癌智能诊断系统.zip”——这个标题在高校毕设平台和GitHub上高频出现但90%的压缩包解压后只有三样东西一份Word文档、几张PPT截图、一个空着的model/文件夹。真正能从一张HE染色宫颈组织切片图像输入输出“CIN1/CIN2/CIN3/SCC”分级结果并标出可疑区域坐标的系统少之又少。本篇讲的就是如何把这串标题变成可部署、可验证、医生愿意点开看一眼的实体它不追求SOTA精度但必须稳定处理真实病理扫描仪输出的WSI全视野数字切片或40×显微镜拍照图它不替代病理医生但要在3秒内给出可解释的热力图文字结论让医生快速定位重点区域它用的是ResNet50Grad-CAM轻量级后处理链不是Transformer大模型——因为毕设场景下你只有1张RTX 3060、8GB显存、3周调试时间。适合医学影像方向本科生、刚入门的AI医疗初学者以及需要快速交付可演示原型的工程型毕业生。2. 从数据到模型为什么必须自己重走一遍标注-训练-验证流程2.1 数据来源与格式清洗别直接用公开数据集先过三道筛宫颈癌病理诊断的核心是细胞异型性、核分裂象、基底膜浸润等微观特征而公开数据集如BreakHis、Her2主要面向乳腺癌或免疫组化直接迁移会导致模型学偏。我建议采用“三级数据源”策略一级必用学校附属医院病理科提供的脱敏HE染色切片需签署伦理协议每例含诊断报告CIN1/CIN2/CIN3/SCC/Normal分辨率≥2000×1500像素二级补足TCGA-CESC项目中公开的WSI缩略图.svs → .png转换后取40×视场仅用于增强泛化性不参与主训练三级兜底Kaggle上“Cervical Cancer Classification”数据集含1200张显微镜照片但需人工剔除模糊、染色不均、有划痕样本——我筛掉37%。提示所有图像统一转为RGB三通道、8位深度、无压缩PNG删除EXIF信息按{case_id}_{region}_{x}_{y}.png命名例P001_Tumor_1280_420.png便于后续定位回原WSI坐标。2.2 标注规范医生画框 ≠ 模型要学的标签很多同学让临床老师在整张切片上画“肿瘤区域”但模型真正需要的是细胞级判别依据。我们采用双轨标注标注类型输出形式用途工具粗粒度分类标签.txt单行文本如CIN2全图分类任务监督信号Excel批量录入细粒度定位标注.json含多边形坐标[[x1,y1],[x2,y2],...]Grad-CAM热力图校准、模型可解释性验证LabelMe手动标注每张图≤5个ROI关键细节ROI必须覆盖典型病变区如核大深染、核仁明显、排列紊乱避开刀痕、折叠、气泡等伪影区每个CIN2样本至少标注3个ROISCC样本至少5个——这是Grad-CAM可信度的底线。2.3 模型选型ResNet50不是妥协而是对毕设场景的精准适配为什么不用ViT或Swin Transformer显存ViT-base在224×224输入下占显存≈3.2GBResNet50仅≈1.8GB留出空间给Grad-CAM反向传播训练速度ResNet50单epoch耗时比ViT快2.3倍实测RTX 30603天内可完成50epoch收敛可解释性ResNet的CNN结构天然适配Grad-CAM而ViT的attention map需额外适配易失真。我们用PyTorch实现带Hook的ResNet50关键修改两处# model.py import torch.nn as nn from torchvision import models class CervixClassifier(nn.Module): def __init__(self, num_classes5): super().__init__() self.backbone models.resnet50(pretrainedTrue) # 替换最后fc层适配5分类Normal, CIN1, CIN2, CIN3, SCC self.backbone.fc nn.Sequential( nn.Dropout(0.5), nn.Linear(2048, 512), nn.ReLU(), nn.Dropout(0.3), nn.Linear(512, num_classes) ) # 注册feature map钩子用于Grad-CAM self.target_layer self.backbone.layer4[-1].conv3 def forward(self, x): return self.backbone(x)逻辑说明pretrainedTrue加载ImageNet权重提供强特征先验Dropout双层设置0.5→0.3防止小数据过拟合target_layer指定为layer4最后一层卷积这是Grad-CAM提取特征响应的黄金位置——太浅layer2响应太泛太深avgpool后已无空间信息。3. 推理与可视化让医生一眼看懂模型在“看什么”3.1 Grad-CAM热力图生成不是调库完事要控制响应强度直接调用torchcam库生成的热力图常出现“全图泛红”或“只亮一角”原因在于原始CAM值分布极不均衡。我们加入三步归一化# cam_utils.py import cv2 import numpy as np import torch def generate_cam(model, input_tensor, target_class, target_layer): # 1. 前向获取logits logits model(input_tensor) probs torch.nn.functional.softmax(logits, dim1) # 2. 反向传播只对目标类求导 model.zero_grad() logits[0, target_class].backward(retain_graphTrue) # 3. 提取梯度与特征图关键加ReLU并归一化 gradients target_layer.gradients activations target_layer.activations weights torch.mean(gradients, dim(2, 3), keepdimTrue) # 全局平均池化梯度 cam torch.sum(weights * activations, dim1, keepdimTrue) # 加权求和 # 4. 归一化先ReLU再线性拉伸到0-255 cam torch.relu(cam) cam cam - torch.min(cam) cam cam / (torch.max(cam) 1e-8) # 防除零 cam (cam * 255).byte().cpu().numpy()[0, 0] # 5. 上采样到原图尺寸并融合 cam_resized cv2.resize(cam, (input_tensor.shape[3], input_tensor.shape[2])) cam_colored cv2.applyColorMap(cam_resized, cv2.COLORMAP_JET) input_img input_tensor[0].permute(1,2,0).cpu().numpy() input_img (input_img * 255).astype(np.uint8) blended cv2.addWeighted(input_img, 0.6, cam_colored, 0.4, 0) return blended, float(probs[0, target_class]) # 使用示例 model CervixClassifier() input_tensor torch.randn(1, 3, 224, 224) # 实际用真实图像 blended_img, confidence generate_cam(model, input_tensor, target_class2, target_layermodel.target_layer)参数说明torch.relu(cam)剔除负响应只保留模型认为“相关”的区域cam / (torch.max(cam) 1e-8)避免最大值为0导致全黑这是实际部署中踩过的坑cv2.addWeighted(..., 0.6, 0.4, 0)图像与热力图融合权重0.6保证原图结构可见0.4让热力图足够醒目——经3位病理医生盲评此比例接受度最高。3.2 分级诊断报告生成用规则引擎兜底模型不确定性模型输出概率向量[0.1, 0.2, 0.45, 0.2, 0.05]直接说“CIN245%”风险极高。我们引入置信度阈值规则校验模型输出最大概率置信度等级后续动作报告措辞示例≥0.75高置信直接输出分级热力图“高度提示CIN2可疑区域见热力图高亮区”0.5–0.75中置信触发二次检查计算Top2概率差值“倾向CIN248%但CIN332%需鉴别”0.5低置信拒绝诊断返回“建议人工复核”“图像质量受限/病变不典型建议病理医生复核”该逻辑封装为diagnosis_engine.py不依赖模型重训只需调整阈值即可适配不同数据质量。4. 部署与交互让系统脱离Jupyter变成医生桌面可点开的.exe4.1 PyInstaller打包绕过CUDA驱动版本地狱毕设答辩现场最怕什么——“老师您电脑没装CUDA”。我们彻底剥离GPU依赖强制CPU推理# requirements.txt 关键项 torch1.13.1cpu torchaudio0.13.1cpu torchvision0.14.1cpu # 注意cpu后缀必须严格匹配否则PyInstaller会偷偷打包CUDA库打包命令pyinstaller --onefile --windowed \ --add-data model_weights/best.pth;model_weights \ --add-data static/icons;static/icons \ --iconstatic/icons/icon.ico \ main.py注意--add-data参数在Windows用;分隔在macOS/Linux用:毕设提交前务必在目标系统测试。我曾因忘记改分隔符导致打包后程序找不到权重文件而当场翻车。4.2 GUI界面设计医生不需要懂“batch_size”用PyQt5构建极简界面只保留三个控件【选择切片】按钮打开文件对话框支持.png/.jpg/.tif自动检测尺寸并提示是否需缩放4000px宽则弹窗询问【开始分析】按钮点击后禁用显示旋转动画后台执行推理CAM报告生成【诊断报告】文本框显示分级结论、置信度、关键描述如“见大量核分裂象及细胞极性紊乱”底部嵌入热力图缩略图点击放大。核心逻辑在main.py中# main.py from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QTextEdit, QLabel, QVBoxLayout, QWidget, QFileDialog from PyQt5.QtGui import QPixmap, QImage import sys import cv2 import numpy as np from model import CervixClassifier from cam_utils import generate_cam class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(宫颈癌智能诊断系统 v1.0) self.model CervixClassifier() self.model.load_state_dict(torch.load(model_weights/best.pth, map_locationcpu)) self.model.eval() # 构建UI layout QVBoxLayout() self.btn_select QPushButton(选择宫颈组织切片) self.btn_select.clicked.connect(self.select_image) layout.addWidget(self.btn_select) self.report_text QTextEdit() self.report_text.setReadOnly(True) layout.addWidget(QLabel(诊断报告)) layout.addWidget(self.report_text) self.cam_label QLabel() layout.addWidget(QLabel(热力图点击放大)) layout.addWidget(self.cam_label) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def select_image(self): path, _ QFileDialog.getOpenFileName(self, 选择图像, , Images (*.png *.jpg *.tif)) if not path: return # 图像预处理 img cv2.imread(path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized cv2.resize(img_rgb, (224, 224)) input_tensor torch.from_numpy(img_resized.transpose(2,0,1)).float().unsqueeze(0) / 255.0 # 推理 with torch.no_grad(): logits self.model(input_tensor) probs torch.nn.functional.softmax(logits, dim1) pred_class torch.argmax(probs, dim1).item() confidence float(probs[0, pred_class]) # 生成CAM blended, _ generate_cam(self.model, input_tensor, pred_class, self.model.target_layer) # 更新UI self.report_text.setText(self.generate_report(pred_class, confidence)) h, w, ch blended.shape bytes_per_line ch * w qimg QImage(blended.data, w, h, bytes_per_line, QImage.Format_RGB888) self.cam_label.setPixmap(QPixmap.fromImage(qimg).scaled(300, 300, aspectRatioMode1)) def generate_report(self, cls_id, conf): classes [正常, CIN1, CIN2, CIN3, 鳞状细胞癌] desc { 0: 细胞形态规则核浆比正常未见异型性, 1: 轻度异型性核增大但染色质均匀极性基本保留, 2: 中度异型性核深染、核仁明显部分腺体结构紊乱, 3: 重度异型性核分裂象增多基底膜完整性可疑, 4: 癌细胞巢状浸润可见角化珠及病理性核分裂 } level 高置信 if conf 0.75 else 中置信 if conf 0.5 else 低置信 return f【{level}诊断】\n分级{classes[cls_id]}\n置信度{conf:.2%}\n描述{desc[cls_id]} if __name__ __main__: app QApplication(sys.argv) window MainWindow() window.show() sys.exit(app.exec_())逻辑说明map_locationcpu确保加载权重时不报CUDA错误cv2.cvtColor做BGR→RGB转换避免PyQt显示色偏QImage.Format_RGB888指定色彩格式否则热力图变紫红色——这是血泪经验。5. 避坑指南那些让答辩前夜崩溃的5个真实问题5.1 现象模型在训练集上准确率98%验证集跌到62%原因数据增强过度。对宫颈切片使用RandomRotation(30)导致细胞结构扭曲模型学到旋转伪影而非病理特征。解决改用RandomAffine(degrees0, translate(0.05, 0.05), scale(0.95, 1.05))仅允许微小平移与缩放禁止旋转与垂直翻转病理切片有明确上下方向。5.2 现象Grad-CAM热力图集中在图像边缘而非细胞密集区原因预训练权重的ImageNet先验干扰。ResNet50在ImageNet上学到“边缘纹理重要”而病理图像中病变常位于视野中央。解决冻结backbone前3个stagelayer1-layer3只微调layer4fc层或用torch.hub.load(pytorch/vision:v0.13.1, resnet50, weightsNone)随机初始化从头训需增加epoch至100。5.3 现象PyInstaller打包后exe运行报错“No module named PIL”原因torchvision依赖PIL但PyInstaller未自动收集。解决在打包命令中显式添加--hidden-importPIL或在main.py顶部加import PIL强迫PyInstaller识别。5.4 现象医生反馈“热力图太散看不出重点”原因CAM值归一化方式错误。直接cam / cam.max()会使微弱响应被压缩至不可见。解决改用分位数归一化——cam np.clip(cam, np.percentile(cam, 5), np.percentile(cam, 95))再线性拉伸保留中间90%响应强度。5.5 现象同一张图多次推理热力图位置轻微漂移原因BatchNorm层在eval模式下仍使用运行统计量而小batchbatch_size1导致统计量不稳定。解决推理前插入model.apply(lambda m: setattr(m, training, False) if isinstance(m, torch.nn.BatchNorm2d) else None)强制BN层使用保存的统计量或直接替换为GroupNorm更鲁棒。6. 毕设落地技巧用3个硬指标说服答辩委员会6.1 必展示的3个量化证据答辩时不要只说“效果不错”必须拿出可验证的数字。我要求自己做到以下三点且全部写进论文附录指标计算方式达标线我的实测值证明材料分类准确率测试集上5分类整体准确率≥82%85.3%test_report.csv含每例预测与真值CAM定位误差热力图中心点与医生标注ROI中心点的平均欧氏距离像素≤120px在224×224输入下98pxcam_eval.xlsx含50例距离统计单图推理耗时从读图到生成报告的端到端时间RTX 3060≤3.5秒2.8秒benchmark_log.txt含100次计时均值提示所有指标必须用独立测试集未参与训练/验证的20%数据计算且测试集需包含各分级样本均衡每类≥15例。我在答辩前用U盘拷贝程序到教室电脑现场抽3张图演示全流程——这是最有力的信任建立方式。6.2 如何让医生愿意试用你的系统技术人常陷入“模型好就行”的误区。实际上临床落地的关键是降低认知负荷。我的做法报告语言临床化不用“softmax概率0.45”而写“CIN2可能性中等建议结合基底膜染色确认”保留人工干预入口GUI中加【修正分类】下拉菜单医生可覆盖模型结果并保存至日志形成反馈闭环生成DICOM兼容元数据输出.json报告含StudyInstanceUID、SeriesInstanceUID字段方便接入医院PACS系统哪怕只是模拟。最后说句实在话这个系统不会发表顶会论文但它能在答辩现场让主任医师点头说“这确实能帮我们初筛”。毕设的价值不在于多前沿而在于把技术链条从数据、模型、可视化到交互每一环都亲手焊死。我熬过7个通宵调Grad-CAM归一化也因PyInstaller分隔符写错重打3遍包——但当看到医生指着热力图说“这里确实是CIN2好发区”那种踏实感比任何分数都重。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
