摘要:子宫肌瘤是女性生殖系统最常见的良性肿瘤,发病率高达20%-30%。传统的影像学诊断依赖医生手工勾画病灶区域,存在主观性强、效率低、一致性差等问题。随着深度学习技术的快速发展,基于卷积神经网络的医学图像自动分割方法为解决这一问题提供了新思路。U-Net作为医学图像分割领域的经典模型,在多种分割任务中表现优异,但在处理子宫肌瘤这类边界模糊、形态多样的病灶时,仍存在分割精度不足、小目标检测困难、边界分割不清晰等问题。因此,研究改进U-Net模型以提高子宫肌瘤图像分割精度具有重要的临床应用价值和学术研究意义。

项目概览

项目简介

本文针对传统U-Net在子宫肌瘤图像分割中存在的不足,提出了一种融合多种改进技术的增强型U-Net分割模型。首先,在编码器路径中引入残差连接和SE通道注意力模块,增强特征提取能力并缓解梯度消失问题;其次,在瓶颈层采用ASPP(空洞空间金字塔池化)模块,扩大感受野以捕获多尺度上下文信息;再次,在解码器路径中嵌入注意力门控机制和空间注意力模块,抑制无关背景区域,突出病灶关键特征;最后,采用Dice Loss与交叉熵损失的组合损失函数,优化模型在类别不平衡数据集上的训练效果。在模型评估方面,本文构建了包含1200例超声影像的子宫肌瘤数据集,并设计了完整的训练、验证和测试流程,使用Dice系数、IoU、像素准确率等多项指标全面评估模型性能。此外,本文还开发了基于PyQt5的可视化分析系统,实现了从图像导入、自动分割到结果分析的全流程智能化处理。

实验结果表明,改进后的U-Net模型在测试集上取得了显著的性能提升:Dice系数达到0.9235,IoU达到0.8571,像素准确率达到0.9642,相较于原始U-Net分别提升了8.35%、15.50%和4.21%,同时在精确率(0.9312)和召回率(0.9159)上保持了良好的平衡,表明模型在减少误诊和漏诊方面均表现优异。消融实验验证了各改进模块的有效性,其中SE注意力模块对Dice系数提升贡献最大(+3.2%),ASPP模块显著改善了多尺度目标的检测能力(+2.8%),注意力门控机制有效抑制了背景噪声(+2.4%)。可视化结果显示,改进模型在边界分割、小目标检测和形态复杂病灶的处理上均优于对比模型。本研究提出的改进方法为子宫肌瘤的智能诊断提供了有效的技术支撑,对推动医学影像AI辅助诊断的临床应用具有重要参考价值。

系统架构

本系统采用”深度学习模型+可视化应用系统”的双层架构设计:底层为基于PyTorch构建的改进U-Net深度学习模型,包含数据预处理模块(图像归一化、数据增强)、模型训练模块(损失函数计算、优化器更新、学习率调度)、模型推理模块(单张/批量图像分割)和性能评估模块(指标计算、结果可视化);上层为基于PyQt5开发的图形用户界面系统,集成用户认证(注册/登录、密码加密存储)、图像管理(导入、预览、格式转换)、分割处理(模型加载、实时推理、结果展示)、量化分析(连通区域统计、面积计算、指标可视化)和记录管理(SQLite数据库存储、历史查询、数据导出)等功能模块。系统采用模型-视图-控制器(MVC)设计模式,实现了业务逻辑与界面展示的解耦,支持模型热更新和配置文件动态加载。数据流向为:用户上传影像 → 预处理(灰度化、尺寸调整、归一化)→ 模型推理(前向传播、概率图生成)→ 后处理(阈值分割、形态学优化)→ 结果可视化(掩码叠加、指标计算)→ 数据存储(数据库记录、文件导出)。系统支持GPU加速推理,单张256×256影像的分割耗时仅115ms,满足临床实时应用需求。

图1 系统架构图

技术创新

创新点1:多尺度特征融合的改进U-Net架构

针对子宫肌瘤边界模糊、大小不一的特点,提出了融合残差连接、多重注意力机制和ASPP模块的增强型U-Net架构。在编码器中引入SE通道注意力,自适应调整特征通道权重;在瓶颈层采用ASPP模块,通过不同膨胀率的空洞卷积捕获多尺度上下文信息;在解码器中嵌入注意力门控机制,选择性地传递高层语义特征。该架构有效解决了传统U-Net在处理多尺度目标时特征表达不足的问题。

创新点2:面向类别不平衡的组合损失函数优化策略

针对子宫肌瘤分割任务中前景(病灶)与背景像素比例严重不平衡(通常为1:20-1:50)的问题,设计了自适应权重的组合损失函数。该损失函数融合了Dice Loss(关注区域重叠度)和Focal Loss(降低易分样本权重),并引入动态权重调整机制,根据训练阶段自适应调整两者比例:训练前期以Focal Loss为主,快速降低易分样本损失;训练后期以Dice Loss为主,精细优化分割边界。同时,针对多发肌瘤的情况,增加了连通区域约束项,促使模型正确分离相邻病灶。

创新点3:端到端的医学影像智能分析系统

构建了集用户认证、图像管理、模型推理、结果分析和数据管理于一体的完整医学影像智能分析系统。系统创新性地将深度学习模型封装为易用的图形界面应用,医生无需编程基础即可使用。系统采用SQLite轻量级数据库存储历史分割记录,支持多维度查询和统计分析;设计了模型热更新机制,支持在不重启系统的情况下加载新训练的模型;实现了批量处理功能,支持一次性处理多张影像并生成统计报告。系统还提供了完善的可视化功能,包括原图-掩码-叠加图三图对比、量化指标实时显示、训练曲线动态展示等。

数据集

本研究使用的子宫肌瘤超声影像数据集包含1200例样本,其中训练集800例、验证集200例、测试集200例,所有影像均来自三甲医院的临床真实病例,经过专业医师标注并由两名高年资影像科医生交叉验证,确保标注质量。数据集涵盖了不同大小(0.5cm-10cm)、不同位置(子宫体、宫颈、浆膜下等)、不同数量(单发、多发)的肌瘤病例,具有良好的多样性和代表性。影像采集设备为飞利浦EPIQ 7和GE Voluson E10超声诊断仪,图像分辨率为512×512至1024×1024像素,统一预处理为256×256像素的灰度图。标注采用精确到像素级的二值掩码,背景标记为0,病灶区域标记为255。数据集按照患者ID进行训练集、验证集和测试集的划分,确保同一患者的不同切面影像不会同时出现在训练集和测试集中,避免数据泄露问题,保证了实验结果的客观性和可靠性。

图2 数据集直方图

图3 标注格式说明图

模型训练

图4 改进U-Net模型训练过程及性能指标综合分析图

图5 模型在验证集上的Dice系数、IoU和准确率变化曲线

图6 模型训练过程中的损失函数收敛曲线

图7 模型训练与验证的多维性能指标对比图

图8 余弦退火学习率调度策略曲线

快速开始

安装依赖:`pip install -r requirements.txt`;**开始训练**:`python train.py`,训练完成后模型保存至checkpoints目录,可视化图表自动生成至logs/visualizations目录。

环境要求

建议使用NVIDIA GPU(显存≥8GB)以支持混合精度训练;**软件环境**:Python 3.8+、PyTorch 2.0+、CUDA 11.0+及相关依赖库(详见requirements.txt)。

运行展示

图9 用户登录

图10 创建新账

图11 登录成功

图12 系统主界面

图13 导入医学影像

图14 分割结果

图15 专注阅片

图16 分割结果

图17 分割结果

图18 分割记录

图19 数据统计

图20 系统设置

项目资源

配套文档

点击查看:基于改进U-Net的子宫肌瘤图像分割技术研究 注意:收费提供!

配套文件

包括完整的项目源代码、演示视频、运行截图,开箱即用。

项目信息

作者信息

作者:Bob (张家梁)
项目编号:AI-87-P
原创声明:本项目为原创作品

联系方式

开源协议

本项目采用AGPL-3.0开源协议,允许个人和组织自由使用、修改和分发代码,但基于本项目的衍生作品必须同样开源,且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用,作者不对使用本项目产生的任何后果承担责任,使用者应遵守当地法律法规,合理合法使用本项目。如本项目对您的研究或工作有所帮助,欢迎引用并注明出处。

声明:本站所有项目资源都可以正常运行,亲测无错!而且我们录制了演示视频,在我们注明的环境版本下,项目运行效果完全和演示视频一致。客服QQ:下载须知