基于深度学习的乳腺癌超声图像智能诊断系统

Intelligent Breast Cancer Diagnosis System Based on Deep Learning

代码获取地址：https://mbd.pub/o/bread/YZWbkphxZQ==

本系统是面向医学影像分析领域的项目，旨在利用先进的深度学习技术，解决乳腺癌超声图像（Breast Ultrasound Images, BUSI）的自动分类与辅助诊断问题。系统集成了改进的 ResNet50 卷积神经网络、CBAM 注意力机制以及 Grad-CAM 可解释性分析算法，并提供了功能完备的 Web 可视化交互平台。

---

📖 项目摘要 (Abstract)

乳腺癌是威胁女性健康的头号杀手，早期筛查对于降低死亡率至关重要。传统的超声诊断依赖医生的主观经验，存在耗时长、易误诊等问题。本项目提出了一种基于 ResNet50 + CBAM 的端到端乳腺癌分类模型，通过引入卷积块注意力模块（Channel & Spatial Attention），显著增强了模型对微小病灶特征的提取能力。此外，项目实现了 Grad-CAM 可视化技术，能够生成病灶热力图，为医生提供“白盒”诊断依据。系统采用 B/S 架构，实现了从数据上传、模型训练到智能诊断的全流程自动化。

---

🛠️ 核心创新点 (Key Innovations)

1. 算法改进 (Algorithm Optimization):

   • 主干网络: 采用 ResNet50 作为特征提取器，利用其残差结构解决梯度消失问题。
   • 注意力机制: 嵌入 CBAM (Convolutional Block Attention Module)，结合通道注意力（Channel Attention）和空间注意力（Spatial Attention），使模型能够自适应地关注图像中的关键病灶区域，抑制背景噪声干扰。

2. 可解释性增强 (XAI Integration):

   • 集成 Grad-CAM 算法，将模型决策过程可视化。
   • 输出类激活热力图 (Heatmap)，直观展示模型关注的感兴趣区域 (ROI)，辅助医生验证 AI 诊断的合理性。

3. 全栈可视化平台 (Full-Stack Visualization):

   • 智能诊断: 一键式拖拽上传，毫秒级输出“良性/恶性/正常”概率及热力图。
   • 在线训练: 创新的 Web 端训练模块，支持可视化配置超参数（Epochs, Batch Size, LR），实时动态绘制 Loss/Accuracy 曲线。
   • 历史回溯: 完整的实验记录管理系统，自动归档每次训练的日志、权重与评估报表，方便实验对比分析。

---

💻 系统功能详解 (System Functions)

1. 🏥 智能辅助诊断 (AI Diagnosis)

• 功能描述: 对输入的超声图像进行自动化分析。
• 输入: 支持 JPG/PNG 格式的超声图像。
• 输出:
  • 预测类别：良性 (Benign)、恶性 (Malignant)、正常 (Normal)。
  • 置信度：各各类别的概率分布。
  • 病灶定位: 叠加在原图上的 Grad-CAM 热力图（红色高亮区域即为疑似病灶）。

2. 💪 可视化模型训练 (Visual Training)

• 功能描述: 允许用户使用本地数据集重新训练或微调模型。
• 配置: 在界面直接调整训练参数。
  • Epochs: 训练轮数
  • Batch Size: 批大小
  • Learning Rate: 学习率
• 实时监控:
  • 实时日志流：显示当前 Batch 的 Loss 和 Acc。
  • 动态图表：实时更新训练集/验证集的损失函数和准确率曲线。
  • 自动热重载: 训练结束后，系统自动加载最新的最佳权重 (Best Model)，无需重启服务。

3. 📜 历史实验记录 (Experiment History)

• 功能描述: 自动管理所有历史训练任务。
• 特性:
  • 时间戳归档: 每次训练生成独立的时间戳文件夹，防止覆盖。
  • 一键回溯: 下拉选择任意历史节点，立刻复现当时的训练曲线、混淆矩阵和完整日志。

---

⚙️ 环境依赖与安装 (Installation)

推荐使用 conda 创建独立的虚拟环境。

1. 基础环境

• Python >= 3.8
• CUDA Toolkit (推荐，如有 NVIDIA 显卡)

2. 安装依赖

# 1. 克隆或下载项目代码
# 2. 进入项目目录
cd BC

# 3. 安装 Python 依赖库
pip install -r requirements.txt

依赖库说明:

• torch, torchvision: 深度学习核心框架
• gradio: 构建 Web 可视化界面
• opencv-python, pillow: 图像处理
• matplotlib, seaborn: 数据分析与绘图

---

🚀 运行指南 (Usage Guide)

python src/web_interface.py

启动成功后，控制台会输出访问地址（通常为 http://127.0.0.1:7860），在浏览器中打开该地址即可使用。

---

📂 项目目录结构 (Structure)

BC/
├── Dataset_BUSI_with_GT/       # 乳腺癌超声数据集 (原始数据)
│   ├── benign/                 # 良性样本
│   ├── malignant/              # 恶性样本
│   └── normal/                 # 正常样本
├── checkpoints/                # 模型权重存储 (存放 best_model.pth)
├── logs/                       # 系统运行日志
├── results/                    # 历史训练记录 (按时间戳归档)
│   └── 2024-xx-xx_xx-xx-xx/    # 单次训练结果
│       ├── training_history.png # 训练曲线图
│       ├── confusion_matrix.png # 混淆矩阵图
│       └── training_log.txt     # 完整训练日志
├── src/                        # 源代码目录
│   ├── config.py               # 全局路径配置
│   ├── dataset.py              # 数据加载与预处理 (Dataset类)
│   ├── model.py                # 网络结构定义 (ResNet50 + CBAM)
│   ├── gradcam.py              # Grad-CAM 可解释性算法实现
│   ├── train.py                # 模型训练核心逻辑 (生成器模式)
│   ├── web_interface.py        # Gradio 前端界面入口
│   ├── train_utils.py          # 绘图与评估工具函数
│   └── utils.py                # 通用工具 (随机种子固定等)
├── requirements.txt            # 项目依赖列表
└── run_project.bat             # Windows 启动脚本

---

� 数据集说明 (Dataset Details)

本项目采用公开的标准医学图像数据集 Breast Ultrasound Images (BUSI)，该数据集源自开罗大学附属医院，共包含 780 张乳腺超声图像，分为三类：

• benign (良性): 437 张
• malignant (恶性): 210 张
• normal (正常): 133 张

数据预处理策略:
为了适应深度学习模型的输入要求并防止过拟合，本项目实施了以下预处理与增强策略：

1. 尺寸归一化: 所有图像统一调整大小为 256x256，并在输入模型前随机裁剪中心区域为 224x224。
2. 数据增强 (Data Augmentation):
   • 随机水平翻转 (Random Horizontal Flip): 模拟不同角度的拍摄。
   • 随机旋转 (Random Rotation): ±15度旋转，增加模型对角度变化的鲁棒性。
3. 标准化 (Normalization): 使用 ImageNet 数据集的均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225] 进行 z-score 标准化，加速模型收敛。

---

🧠 算法原理 (Algorithm Principle)

本项目提出了一种改进的卷积神经网络架构，旨在提升乳腺病灶的特征提取效率。

1. 骨干网络：ResNet50

ResNet50 通过引入残差连接 (Residual Connection)，解决了深层网络中的梯度消失问题。其核心公式为：
y = F ( x , { W i } ) + x y = F(x, \{W_i\}) + x y=F(x,{Wi​})+x
其中 $x$ 为输入，$F(x)$ 为残差映射，$y$ 为输出。这种结构允许信息直接流层网络深层，保留了原始细节特征。

2. 注意力机制：CBAM (Convolutional Block Attention Module)

为了让模型“看”得更准，我们在 ResNet50 的特征提取末端嵌入了 CBAM 模块。CBAM 包含两个子模块：

• 通道注意力 (Channel Attention Module, CAM):
  关注**“什么特征是重要的”**。它对特征图进行全局平均池化和最大池化，通过共享 MLP 学习通道权重。
  $$M_c(F)=\sigma (MLP(AvgPool(F))+MLP(MaxPool(F)))$$

• 空间注意力 (Spatial Attention Module, SAM):
  关注**“哪里是重要的”**（即病灶位置）。它在通道维度上进行池化，通过卷积层生成空间权重图。
  $$M_s(F)=\sigma (Con{v}^{7\times 7}([AvgPool(F);MaxPool(F)]))$$

最终特征图 $F^{\prime \prime }$ 的计算过程为：
$$F^{\prime }=M_c(F)\otimes F$$
$$F^{\prime \prime }=M_s(F^{\prime })\otimes F^{\prime }$$

---

💻 关键代码实现 (Key Implementation)

1. CBAM 模块定义 (src/model.py)

class CBAM(nn.Module):
    def __init__(self, planes):
        super(CBAM, self).__init__()
        self.ca = ChannelAttention(planes)  # 通道注意力
        self.sa = SpatialAttention()        # 空间注意力

    def forward(self, x):
        out = x * self.ca(x)
        out = out * self.sa(out)
        return out

2. 自定义数据集加载 (src/dataset.py)

class BreastCancerDataset(Dataset):
    def __init__(self, root_dir, transform=None, mode='train'):
        # ... (略)
        self.classes = ['benign', 'malignant', 'normal']
        
    def __getitem__(self, idx):
        img_path, label = self.images[idx]
        image = Image.open(img_path).convert('RGB')
        if self.transform:
            image = self.transform(image)
        return image, label

3. 可解释性分析 Grad-CAM (src/gradcam.py)

# 获取目标层的梯度和激活值
def save_gradient(self, module, grad_input, grad_output):
    self.gradients = grad_output[0]

def save_activation(self, module, input, output):
    self.activations = output

# 计算类激活图 (CAM)
def __call__(self, x, class_idx=None):
    # ...
    # 梯度加权
    pooled_gradients = torch.mean(gradients, dim=[2, 3], keepdim=True)
    weighted_activations = activations * pooled_gradients
    cam = torch.sum(weighted_activations, dim=1).squeeze(0)
    # ReLU激活 + 归一化
    cam = F.relu(cam) 
    # ...

---

�📊 实验环境 (Experimental Setup)

• 硬件配置:
  • CPU: Intel Core i7 或同等级别
  • GPU: NVIDIA GeForce RTX 3060 及以上 (推荐 6GB+ 显存)
  • RAM: 16GB 及以上
• 软件配置:
  • OS: Windows 10/11 或 Linux
  • Python: 3.8+
  • PyTorch: 1.10+

---