摘要：开发一种基于深度学习的悬雍垂疾病自动诊断系统，以辅助临床医生快速准确地识别悬雍垂病变，提高诊断效率和准确性。
项目概览
项目简介
本研究构建了包含2779张医学影像的悬雍垂疾病数据集，其中训练集2644张，测试集135张。采用EfficientNet-B2作为基础架构，通过迁移学习方法在ImageNet预训练模型上进行微调。针对数据集中存在的类别不平衡问题，采用加权交叉熵损失函数和数据增强技术。使用AdamW优化器和余弦退火学习率调度策略进行模型训练，并实现了早停机制以防止过拟合。此外，设计并实现了基于PyQt5的图形用户界面，实现了模型的可视化应用。
所提出的模型在测试集上取得了80.74%的准确率和0.9288的AUC-ROC值。对于疾病阳性样本（Normal类），模型实现了100%的召回率，未出现假阴性病例，这在临床应用中具有重要意义。混淆矩阵分析显示，模型对无疾病样本（Abnormal类）的识别准确率为78.69%，精确率达到100%。模型在GPU环境下单张图像的预测时间为1-2秒，满足实时诊断需求。
本研究成功开发了一个基于深度学习的悬雍垂疾病智能诊断系统，该系统具有较高的准确性和鲁棒性，特别是在疾病检出方面达到了100%的召回率，有效避免了漏诊风险。系统配备的图形界面友好易用，具有较好的临床应用潜力。然而，由于测试集中阳性样本数量较少（13例），模型的泛化能力仍需在更大规模数据集上进一步验证。未来工作将着重于扩充数据集规模、探索模型集成策略以及开发可解释性工具。
系统架构
本系统采用基于深度学习的端到端架构设计，包含数据处理层、模型推理层和用户交互层三个核心模块。数据处理层负责面部图像的预处理，包括尺寸归一化（224×224像素）、数据增强（随机翻转、旋转、亮度调整）和标准化处理；模型推理层实现了渐进式训练策略，先通过EfficientNet-B0（5.3M参数）进行20轮快速基线验证，再使用DenseNet121（8.0M参数）进行30轮深度优化，两个模型均采用ImageNet预训练权重进行迁移学习，使用AdamW优化器和交叉熵损失函数（类别加权2.39:1处理数据不平衡），并通过ReduceLROnPlateau学习率调度器动态调整训练过程；用户交互层采用PyQt5框架构建现代化图形界面，支持实时图像预览、模型选择、置信度可视化和概率分布展示，整个系统在NVIDIA GPU加速下实现毫秒级推理速度，为临床医生提供高效准确的唐氏综合症辅助诊断工具。
图1 系统架构图
技术创新
创新点1：医学数据集智能清洗与不平衡处理策略
针对医学影像数据集中普遍存在的重复文件和类别不平衡问题，提出了基于哈希算法的重复文件检测方法和多策略融合的类别平衡技术。通过MD5哈希识别并移除7347个重复样本，结合加权交叉熵损失函数、类别权重自适应调整和针对性数据增强策略，使原本严重不平衡（7:1）的数据集优化至基本平衡状态（0.79:1），同时实现了疾病阳性样本100%召回率，有效避免了临床应用中的漏诊风险。
创新点2：医学AI系统的全栈可视化实现
设计并实现了面向医疗场景的智能诊断系统完整解决方案，不仅包含高性能的深度学习模型（准确率80.74%，AUC-ROC 0.9288），更创新性地开发了具有现代化渐变色主题的图形用户界面，集成了实时预测进度可视化、置信度动态展示、概率分布图表和智能医疗建议生成等功能模块。系统采用异步处理架构，模型加载和推理过程在后台线程执行，确保界面响应流畅，并支持GPU/CPU自适应切换，降低了医学AI系统的使用门槛，实现了从实验室研究到临床应用的无缝过渡。
数据集
本研究构建的悬雍垂疾病医学影像数据集共包含2779张标准化图像（224×224像素），经过严格的预处理流程去重和质量筛查后，划分为训练集2644张（Abnormal类1170张，Normal类1474张，类别比例0.79:1）和测试集135张（Abnormal类122张，Normal类13张），所有图像均来自真实临床场景，涵盖不同光照条件和拍摄角度，数据集已完成标准化处理并按类别组织存储，适用于深度学习模型的监督训练和性能评估。
模型训练
运行train.py
图2 训练历史曲线（Loss和Accuracy）
图3 混淆矩阵图
快速开始
执行 pip install -r requirements.txt 安装依赖后，运行 python train.py 开始训练，训练完成后执行 python gui.py 启动图形界面进行诊断。
环境要求
Python 3.8或更高版本，必需依赖：PyTorch 2.0+、TorchVision 0.15+、PyQt5 5.15+、Pillow、NumPy、Scikit-learn，推荐配置：NVIDIA GPU（6GB+显存）、8GB+内存。
运行展示
运行gui.py
图4 主界面图
图5 检测到异常图
图6 未检测到异常图
项目资源
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-34-P
原创声明：本项目为原创作品
