《博主簡介》

小伙伴們好，我是阿旭。專注于人工智能、AIGC、python、計算機(jī)視覺相關(guān)分享研究。
?更多學(xué)習(xí)資源，可關(guān)注公-仲-hao:【阿旭算法與機(jī)器學(xué)習(xí)】，共同學(xué)習(xí)交流~
??感謝小伙伴們點贊、關(guān)注！

《------往期經(jīng)典推薦------》

一、AI應(yīng)用軟件開發(fā)實戰(zhàn)專欄【鏈接】

二、機(jī)器學(xué)習(xí)實戰(zhàn)專欄【鏈接】，已更新31期，歡迎關(guān)注，持續(xù)更新中~~
三、深度學(xué)習(xí)【Pytorch】專欄【鏈接】
四、【Stable Diffusion繪畫系列】專欄【鏈接】
五、YOLOv8改進(jìn)專欄【鏈接】，持續(xù)更新中~~
六、YOLO性能對比專欄【鏈接】，持續(xù)更新中~

《------正文------》

基本功能演示

摘要：乳腺癌是女性中最常見的癌癥之一，其診斷與治療成效在很大程度上依賴于腫瘤的早期發(fā)現(xiàn)和準(zhǔn)確分類。乳腺癌智能檢測分割與診斷系統(tǒng)的引入，通過精確的圖像分析技術(shù)，可以大大提高腫瘤檢測的速度和準(zhǔn)確性，這對于提升乳腺癌患者的治療效果和生存率具有至關(guān)重要的意義。本文基于YOLOv8深度學(xué)習(xí)框架，通過780張乳腺超聲圖片，訓(xùn)練了一個進(jìn)行乳腺癌腫瘤的目標(biāo)分割模型，可以檢測分割出乳腺癌腫瘤的具體位置，并判斷腫瘤是良性還是惡性。最終基于此模型開發(fā)了一款帶UI界面的乳腺癌智能檢測分割與診斷系統(tǒng)，可用于實時檢測場景中的乳腺癌智能檢測與診斷，也更加方便的進(jìn)行功能展示。該系統(tǒng)是基于python與PyQT5開發(fā)的，支持圖片、批量圖片、視頻以及攝像頭進(jìn)行目標(biāo)檢測分割，并保存檢測結(jié)果。本文提供了完整的Python代碼和使用教程，給感興趣的小伙伴參考學(xué)習(xí)，完整的代碼資源文件獲取方式見文末。

點擊跳轉(zhuǎn)至文末《完整相關(guān)文件及源碼》獲取

前言

乳腺癌是女性中最常見的癌癥之一，其診斷與治療成效在很大程度上依賴于腫瘤的早期發(fā)現(xiàn)和準(zhǔn)確分類。然而，傳統(tǒng)的診斷方法需要高度依賴醫(yī)生的經(jīng)驗和專業(yè)知識，這一過程可能存在耗時久、誤診率高等問題。乳腺癌智能檢測分割與診斷系統(tǒng)的引入，通過精確的圖像分析技術(shù)，可以大大提高腫瘤檢測的速度和準(zhǔn)確性，這對于提升乳腺癌患者的治療效果和生存率具有至關(guān)重要的意義。

乳腺癌智能檢測分割與診斷系統(tǒng)的應(yīng)用場景包括：
醫(yī)院日常診斷：輔助放射科醫(yī)生快速檢測和診斷乳腺病變，提升日常診療效率。
遠(yuǎn)程醫(yī)療服務(wù)：對于偏遠(yuǎn)地區(qū)的患者，可通過遠(yuǎn)程傳輸超聲圖像，讓專家在異地進(jìn)行分析和診斷。
乳腺癌篩查項目：在大規(guī)模的乳腺癌篩查計劃中，自動識別和分割腫瘤，提高篩查的覆蓋率和精確度。
醫(yī)學(xué)研究：為研究人員提供精確的乳腺腫瘤圖像資料，推動乳腺癌機(jī)理和治療方法的研究。
醫(yī)生培訓(xùn)與教育：作為醫(yī)學(xué)生和專業(yè)醫(yī)生的教育工具，幫助他們更好地理解腫瘤的形態(tài)特征。

總結(jié)來說，乳腺癌智能檢測分割與診斷系統(tǒng)對于醫(yī)療輔助具有重要作用。它不僅能提高乳腺癌的早期發(fā)現(xiàn)率和診斷準(zhǔn)確性，還能幫助醫(yī)療機(jī)構(gòu)優(yōu)化資源配置，降低運營成本，最終提升整個醫(yī)療行業(yè)的服務(wù)水平。隨著醫(yī)療技術(shù)的不斷發(fā)展，這類系統(tǒng)未來將在乳腺癌治療領(lǐng)域扮演更加重要的角色，大幅提高患者的生存率和生活質(zhì)量。

博主通過搜集乳腺癌腫瘤的相關(guān)超聲圖片，根據(jù)YOLOv8的目標(biāo)分割技術(shù)，基于python與Pyqt5開發(fā)了一款界面簡潔的乳腺癌智能檢測分割與診斷系統(tǒng)，可支持圖片、視頻以及攝像頭檢測，同時可以將圖片、視頻以及攝像頭的檢測結(jié)果進(jìn)行保存。本文詳細(xì)的介紹了此系統(tǒng)的核心功能以及所使用到的技術(shù)原理與制作流程。

軟件初始界面如下圖所示：

檢測結(jié)果界面如下：

檢測結(jié)果說明：

診斷結(jié)果區(qū)域：分別用'綠色'、‘黃色’、‘紅色’背景代表‘正?！?、‘良性’、‘惡性’這3種類別的檢測結(jié)果。
顯示效果如下：

一、軟件核心功能介紹及效果演示

軟件主要功能

1. 可進(jìn)行乳腺癌腫瘤的檢測與分割，并判斷腫瘤類型：['良性', '惡性']，在診斷結(jié)果區(qū)域顯示['正常'、'良性', '惡性']這3種診斷結(jié)果；
2. 支持圖片、圖片批量、視頻及攝像頭進(jìn)行檢測分割；
3. 可顯示總分割面積占比以及單個目標(biāo)的分割面積占比；
4. 界面可實時顯示目標(biāo)位置、分割結(jié)果、分割面積占比、置信度、用時等信息;
5. 結(jié)果保存：支持圖片、視頻及攝像頭的分割結(jié)果保存；

界面參數(shù)設(shè)置說明

1. 置信度閾值：也就是目標(biāo)檢測時的conf參數(shù)，只有檢測出的目標(biāo)置信度大于該值，結(jié)果才會顯示；
2. 交并比閾值：也就是目標(biāo)檢測時的iou參數(shù)，只有目標(biāo)檢測框的交并比大于該值，結(jié)果才會顯示；
3. 窗口1:顯示分割結(jié)果：表示是否在檢測圖片中顯示分割結(jié)果，默認(rèn)勾選；
4. 窗口1:顯示檢測框與標(biāo)簽：表示是否在檢測圖片中顯示檢測框與標(biāo)簽，默認(rèn)勾選；
5. 窗口2:顯示Mask或者顯示原始分割圖片：表示在窗口2中顯示分割的Mask或者原始圖片分割內(nèi)容；

IoU：全稱為Intersection over
Union，表示交并比。在目標(biāo)檢測中，它用于衡量模型生成的候選框與原標(biāo)記框之間的重疊程度。IoU值越大，表示兩個框之間的相似性越高。通常，當(dāng)IoU值大于0.5時，認(rèn)為可以檢測到目標(biāo)物體。這個指標(biāo)常用于評估模型在特定數(shù)據(jù)集上的檢測準(zhǔn)確度。

顯示Mask或者顯示原始分割圖片選項的功能效果如下：

（1）圖片檢測演示

1.點擊打開圖片按鈕，選擇需要檢測的圖片，或者點擊打開文件夾按鈕，選擇需要批量檢測圖片所在的文件夾，操作演示如下：
2.點擊目標(biāo)下拉框后，可以選定指定目標(biāo)的結(jié)果信息進(jìn)行顯示。
3. 點擊保存按鈕，會對圖片檢測結(jié)果進(jìn)行保存，存儲路徑為：save_data目錄下。
4.點擊表格中的指定行，界面會顯示該行表格所寫的信息內(nèi)容。
注：右側(cè)目標(biāo)位置默認(rèn)顯示置信度最大一個目標(biāo)位置,可用下拉框進(jìn)行信息切換。所有檢測結(jié)果均在表格中顯示。

單個圖片檢測操作如下：

批量圖片檢測操作如下：

點擊保存按鈕，會對圖片的檢測結(jié)果進(jìn)行保存，共會保存3種類型結(jié)果，分別是：檢測分割結(jié)果標(biāo)識圖片、分割的Mask圖片以及原圖分割后的圖片。存儲在save_data目錄下，保存結(jié)果如下：

（2）視頻檢測演示

1.點擊打開視頻圖標(biāo)，打開選擇需要檢測的視頻，就會自動顯示檢測結(jié)果。再次點擊該按鈕，會關(guān)閉視頻。
2.點擊保存按鈕，會對視頻檢測結(jié)果進(jìn)行保存，同樣會保存3種類型結(jié)果，分別是：檢測分割結(jié)果標(biāo)識視頻、分割Mask視頻以及原視頻分割后的視頻，存儲路徑為：save_data目錄下。
視頻檢測演示：

視頻保存演示：

視頻檢測保存結(jié)果如下：

（3）攝像頭檢測演示

1.點擊打開攝像頭按鈕，可以打開攝像頭，可以實時進(jìn)行檢測，再次點擊該按鈕，可關(guān)閉攝像頭；
2.點擊保存按鈕，可以進(jìn)行攝像頭實時圖像的檢測結(jié)果保存。
攝像頭檢測演示：

攝像頭保存演示：

攝像頭檢測保存結(jié)果如下：

（4）檢測結(jié)果保存

點擊保存按鈕后，會將當(dāng)前選擇的圖片【含批量圖片】、視頻或者攝像頭的分割結(jié)果進(jìn)行保存。結(jié)果會存儲在save_data目錄下，保存內(nèi)容如下：

二、目標(biāo)分割模型的訓(xùn)練、評估與推理

1.YOLOv8的基本原理

YOLOv8是一種前沿的深度學(xué)習(xí)技術(shù)，它基于先前YOLO版本在目標(biāo)檢測任務(wù)上的成功，進(jìn)一步提升了性能和靈活性，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基礎(chǔ)上，YOLOv8 引入了新的功能和優(yōu)化，使其成為廣泛應(yīng)用中各種物體檢測任務(wù)的理想選擇。主要的創(chuàng)新點包括一個新的骨干網(wǎng)絡(luò)、一個新的 Ancher-Free 檢測頭和一個新的損失函數(shù)，可以在從 CPU 到 GPU 的各種硬件平臺上運行。
YOLO各版本性能對比：

其主要網(wǎng)絡(luò)結(jié)構(gòu)如下：

2. 數(shù)據(jù)集準(zhǔn)備與訓(xùn)練

通過網(wǎng)絡(luò)上搜集關(guān)于乳腺癌腫瘤相關(guān)超聲圖片，并使用Labelme標(biāo)注工具對每張圖片中的分割結(jié)果及類別進(jìn)行標(biāo)注。一共包含780張圖片，其中訓(xùn)練集包含624張圖片，驗證集包含156張圖片，部分圖像及標(biāo)注如下圖所示。

數(shù)據(jù)集的各類別具體分布如下所示：

圖片數(shù)據(jù)的存放格式如下，在項目目錄中新建datasets目錄，同時將檢測的圖片分為訓(xùn)練集、驗證集放入Data目錄下。

同時我們需要新建一個data.yaml文件，用于存儲訓(xùn)練數(shù)據(jù)的路徑及模型需要進(jìn)行檢測的類別。YOLOv8在進(jìn)行模型訓(xùn)練時，會讀取該文件的信息，用于進(jìn)行模型的訓(xùn)練與驗證。data.yaml的具體內(nèi)容如下：

train: D:\2MyCVProgram\3.SegmentProgram\BreastCancerSeg\datasets\Data\train
val: D:\2MyCVProgram\3.SegmentProgram\BreastCancerSeg\datasets\Data\val

nc: 2
names: ['benign', 'malignant']

注：train與val后面表示需要訓(xùn)練圖片的路徑，建議直接寫自己文件的絕對路徑。
數(shù)據(jù)準(zhǔn)備完成后，通過調(diào)用train.py文件進(jìn)行模型訓(xùn)練，epochs參數(shù)用于調(diào)整訓(xùn)練的輪數(shù)，batch參數(shù)用于調(diào)整訓(xùn)練的批次大小【根據(jù)內(nèi)存大小調(diào)整，最小為1】，代碼如下：

#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')

if __name__ == '__main__':
    # 訓(xùn)練模型配置文件路徑
    yolo_yaml_path = 'ultralytics/cfg/models/v8/yolov8-seg.yaml'
    # 數(shù)據(jù)集配置文件路徑
    data_yaml_path = 'datasets/Data/data.yaml'
    # 官方預(yù)訓(xùn)練模型路徑
    pre_model_path = "yolov8n-seg.pt"
    # 加載預(yù)訓(xùn)練模型
    model = YOLO(yolo_yaml_path).load(pre_model_path)
    # 模型訓(xùn)練
    model.train(data=data_yaml_path, epochs=150, batch=4)

3. 訓(xùn)練結(jié)果評估

在深度學(xué)習(xí)中，我們通常用損失函數(shù)下降的曲線來觀察模型訓(xùn)練的情況。YOLOv8在訓(xùn)練時主要包含三個方面的損失：定位損失(box_loss)、分類損失(cls_loss)、動態(tài)特征損失（dfl_loss）以及分割損失（seg_loss），在訓(xùn)練結(jié)束后，可以在runs/目錄下找到訓(xùn)練過程及結(jié)果文件，如下所示：

各損失函數(shù)作用說明：
定位損失box_loss：預(yù)測框與標(biāo)定框之間的誤差（GIoU），越小定位得越準(zhǔn)；
分類損失cls_loss：計算錨框與對應(yīng)的標(biāo)定分類是否正確，越小分類得越準(zhǔn)；
動態(tài)特征損失（dfl_loss）：DFLLoss是一種用于回歸預(yù)測框與目標(biāo)框之間距離的損失函數(shù)。在計算損失時，目標(biāo)框需要縮放到特征圖尺度，即除以相應(yīng)的stride，并與預(yù)測的邊界框計算Ciou Loss，同時與預(yù)測的anchors中心點到各邊的距離計算回歸DFLLoss。這個過程是YOLOv8訓(xùn)練流程中的一部分，通過計算DFLLoss可以更準(zhǔn)確地調(diào)整預(yù)測框的位置，提高目標(biāo)檢測的準(zhǔn)確性。
分割損失（seg_loss）：預(yù)測的分割結(jié)果與標(biāo)定分割之前的誤差，越小分割的越準(zhǔn)確；
本文訓(xùn)練結(jié)果如下：

我們通常用PR曲線來體現(xiàn)精確率和召回率的關(guān)系，本文訓(xùn)練結(jié)果的PR曲線如下。mAP表示Precision和Recall作為兩軸作圖后圍成的面積，m表示平均，@后面的數(shù)表示判定iou為正負(fù)樣本的閾值。mAP@.5：表示閾值大于0.5的平均mAP。

定位結(jié)果的PR曲線如下：

分割結(jié)果的PR曲線如下：

從上面圖片曲線結(jié)果可以看到：定位的平均精度為0.739，分割的平均精度為0.737，結(jié)果還是不錯的。

4. 模型推理

模型訓(xùn)練完成后，我們可以得到一個最佳的訓(xùn)練結(jié)果模型best.pt文件，在runs/trian/weights目錄下。我們可以使用該文件進(jìn)行后續(xù)的推理檢測。
圖片檢測代碼如下：

# 所需加載的模型目錄
path = 'models/best.pt'
# 需要檢測的圖片地址
img_path = "TestFiles/benign (9).png"

# 加載預(yù)訓(xùn)練模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='segment')
# 檢測圖片
results = model(img_path)
print(results)
res = results[0].plot()

# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

執(zhí)行上述代碼后，會將執(zhí)行的結(jié)果直接標(biāo)注在圖片上，結(jié)果如下：

以上便是關(guān)于此款乳腺癌智能檢測分割與診斷系統(tǒng)的原理與代碼介紹?；诖四Ｐ停┲饔?code>python與Pyqt5開發(fā)了一個帶界面的軟件系統(tǒng)，即文中第二部分的演示內(nèi)容，能夠很好的支持圖片、視頻及攝像頭進(jìn)行檢測，同時支持檢測結(jié)果的保存。

關(guān)于該系統(tǒng)涉及到的完整源碼、UI界面代碼、數(shù)據(jù)集、訓(xùn)練代碼、測試圖片視頻等相關(guān)文件，均已打包上傳，感興趣的小伙伴可以通過下載鏈接自行獲取。

【獲取方式】

關(guān)注下方名片G-Z-H：【阿旭算法與機(jī)器學(xué)習(xí)】，發(fā)送【源碼】即可獲取下載方式

本文涉及到的完整全部程序文件：包括環(huán)境配置文檔說明、python源碼、數(shù)據(jù)集、訓(xùn)練代碼、UI文件、測試圖片視頻等（見下圖），獲取方式見文末：

注意：該代碼基于Python3.9開發(fā)，運行界面的主程序為MainProgram.py，其他測試腳本說明見上圖。為確保程序順利運行，請按照程序運行說明文檔txt配置軟件運行所需環(huán)境。

關(guān)注下方名片GZH:【阿旭算法與機(jī)器學(xué)習(xí)】，發(fā)送【源碼】即可獲取下載方式

結(jié)束語

以上便是博主開發(fā)的基于YOLOv8深度學(xué)習(xí)的乳腺癌智能檢測分割與診斷系統(tǒng)的全部內(nèi)容，由于博主能力有限，難免有疏漏之處，希望小伙伴能批評指正。
關(guān)于本篇文章大家有任何建議或意見，歡迎在評論區(qū)留言交流！

覺得不錯的小伙伴，感謝點贊、關(guān)注加收藏哦！文章來源地址http://www.zghlxwxcb.cn/news/detail-849785.html

到了這里，關(guān)于基于深度學(xué)習(xí)的乳腺癌智能檢測分割與診斷系統(tǒng)【python源碼+Pyqt5界面+數(shù)據(jù)集+訓(xùn)練代碼】深度學(xué)習(xí)實戰(zhàn)、目標(biāo)分割、人工智能的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！