这是一个基于深度学习的医学图像分割系统，旨在对医学影像（特别是MRI图像）中的脊椎结构进行像素级的分割识别。该系统构建了完整的U-Net网络架构，并配备了数据预处理、模型训练、评估以及推理应用的全流程解决方案，其专业性体现在算法设计、工程实现及可视化交互等多个层面。

1. 数据集与数据准备

本系统处理的医学图像数据集为MRI脊椎图像，其结构设计遵循标准语义分割数据组织格式，包含训练集和验证集。每个子集下分设images和masks目录，分别存放原始MRI图像和对应的像素级标注标签（分割掩码）。系统通过MyDataset（定义于dataset.py）类进行数据加载与预处理。预处理流程高度专业，包括：

• 图像归一化：将图像像素值归一化到[0,1]区间，提升模型训练的稳定性。
• 尺寸标准化：将所有图像和掩码统一缩放到指定基础尺寸（如256x256或224x224），以满足网络输入要求。
• 标签映射：分割掩码通常包含多个灰度值，每个值对应一个特定的解剖结构类别（如不同的椎体、椎间盘、背景等）。系统会从grayList.txt文件中读取所有有效的灰度值列表，并将掩码中的像素值映射为连续的类别索引（0, 1, 2, …），这为后续的多类别交叉熵损失计算做好了准备。
• 数据增强：在训练阶段，系统会以一定的概率对图像和掩码进行随机的水平与垂直翻转，以此扩充数据集，提升模型对不同扫描方向和患者体位的泛化能力，有效防止过拟合。
  

2. 网络模型架构

系统的核心分割模型基于经典的U-Net架构（定义于model.py）。U-Net以其编码器-解码器结构在医学图像分割领域取得了巨大成功，特别适合处理像脊椎这样具有复杂形态和细节的目标。

• 编码器（下采样路径）：由4个下采样模块(Down)构成，每个模块包含一个最大池化层和两个连续的卷积层（DoubleConv）。这个路径通过逐步增加特征通道数（64, 128, 256, 512, 1024）和缩小空间尺寸来提取深层语义特征，理解图像的全局上下文信息。
• 解码器（上采样路径）：由4个上采样模块(Up)构成。每个模块首先通过转置卷积（nn.ConvTranspose2d）对特征图进行上采样，然后将上采样的结果与编码器路径中对应尺度的特征图进行跳跃连接（torch.cat）。这种结构能够将编码器捕获的深层语义信息与解码器恢复的空间细节信息相融合，从而实现高精度的像素定位。最后，通过一个1x1卷积（OutConv）将特征通道数映射为分割类别数，输出每个像素属于各个类别的预测分数。

3. 模型训练与评估

训练流程在train.py中定义，体现了严谨的机器学习工作流：

• 自动配置：程序启动时，会自动扫描训练集掩码，统计所有出现的灰度值，生成grayList.txt文件，并据此动态确定网络需要输出的类别数（num_classes），避免了手动配置的繁琐与错误。
• 优化策略：采用AdamW优化器，并配合余弦退火学习率调度器（LambdaLR），使得学习率在训练初期较大，有助于快速收敛，在训练后期较小，便于微调模型，找到更优的局部最优点。
• 损失函数与性能评估：使用交叉熵损失（CrossEntropyLoss）作为模型训练的监督信号。模型性能的评估指标非常全面，在utils.py的ConfusionMatrix类中实现了混淆矩阵的构建与计算，并基于此计算一系列医学图像分割领域的核心指标，包括：
  • 像素准确率：整体分类正确的像素比例。
  • 类别精确率、召回率、F1分数：从不同角度衡量每个解剖结构的分割精度。
  • Dice系数：医学图像分割中衡量区域重叠度的最重要指标，尤其适用于前景目标。
  • IoU：与Dice类似，衡量预测区域与真实区域的重叠度。
• 可视化与模型保存：训练过程中，系统会记录并绘制损失曲线、Dice曲线、IoU曲线、学习率衰减曲线、精确率-召回率曲线、F1曲线等，为模型调试和性能分析提供了直观依据。系统会保存在验证集上mean IoU指标最好的模型权重（best.pth）以及最后一个周期的权重（last.pth）。
  
  
  
  
  
  
  

4. 推理应用与可视化界面

系统不仅提供训练能力，还通过infer_QT.py构建了一个功能完善的图形用户界面（GUI）应用，用于模型的部署与使用。

• 算法核心：推理函数inference加载训练好的模型，对输入图像进行同样的预处理（缩放、归一化），通过网络前向传播得到预测概率图，通过argmax获取每个像素的类别预测。之后，将预测的类别索引反向映射回原始的灰度值，以便于可视化并与原始标注格式对齐。draw_image函数被调用，利用OpenCV为预测的分割区域绘制轮廓并做半透明填充，生成叠加效果图。
• 交互界面：基于PyQt5库构建了“高级图像分割系统”主窗口，界面设计专业、清晰，包含三个核心显示区域：
  1. 原始图像：显示用户上传的MRI图片。
  2. 分割结果：以伪彩色图的形式直观展示模型的分割结果，不同的颜色代表模型识别出的不同脊椎结构（如椎体、椎间盘等）。
  3. 叠加效果：将分割结果以半透明掩膜的形式叠加在原始图像上，使医生或研究人员能够清晰地观察模型分割的解剖结构与原始影像的对应关系。
• 便捷功能：界面提供“上传图片”和“保存结果”按钮，用户可以方便地加载本地MRI图像进行实时推理，并将原始图、分割图和叠加图一并保存，便于后续的病例分析和报告生成。

总结

这套MRI脊椎分割系统是一个从数据预处理、模型构建、训练优化到最终应用落地的完整、专业的解决方案。它针对医学图像的特点，在数据加载、模型结构、评估指标和可视化呈现上都进行了专门的设计。其采用的U-Net模型能够有效捕捉脊椎的复杂结构和边缘信息，而全面的评估体系和友好的GUI应用，则使其不仅具备强大的算法性能，也具有很高的实用价值，可辅助医生进行影像分析、病灶定位和量化评估。

下载链接