

首页  思维导图  详情



手骨骨龄检测项目

2024-06-06 12:04:40   6  举报





AI智能生成

项目答辩

图像识别

模版推荐

作者其他创作

大纲/内容

引言

项目背景

手骨骨龄检测是一种通过分析手骨X光片来评估骨骼成熟度的方法。骨龄检测在临床诊断方面具有重要意义，能够帮助医生评估儿童和青少年的生长发育情况以及预测成年身高。

提前发现生长发育异常

预测成年身高

检测方法

传统的人工经验诊断法

依赖于经验丰富的医生，通过对手骨X光片的观察，对骨骼进行评分，并据此确定骨龄。

主观性

结果易受医生主观判断的影响

难度大

对医生的经验和技能要求高

耗时长

过程较为复杂

准确率不稳定

医生个人精力有限

现代的计算机辅助诊断法

利用图像处理技术和机器学习算法，对X光片进行自动分析和骨龄预测

准确率高

基于大量数据训练的模型，能够提供稳定且精确的诊断结果。

速度快

自动化处理，能够在短时间内完成大量X光片的分析。

可持续学习

通过不断引入新的病例，系统的诊断能力可以不断提升。

项目目标

开发一个高精度的骨龄推理预测模型，利用现代机器学习和深度学习技术，对手骨X光片进行分析和骨龄评估。

开发一个用户友好的 GUI 界面，实现骨龄评估系统的前端显示和交互功能，并将其打包成 exe 文件，方便医生和相关人员直接使用。

项目流程

①本项目采用 git 进行版本管理 ②除了更换网络结构外，尽量不侵入yolov5模块 ③目标检测与多分类均采用yolov5提供的框架

.gitignore

使用git初始化项目文件

在GitHub创建仓库后，Clone到本地

修改.giignore文件，增加过滤项，避免仓库装不下（仓库总上限 1g，单文件上限 100m）

yolov5/requirements.txt

环境搭建

创建一个新的 conda 环境，yolov5 要求 `Python >= 3.80` 。

再安装 yolov5 目录下 requirements.txt 中包含的依赖库sehll

requirements.txt 默认安装的是 cpu 版的 PyTorch，根据自己的电脑的 CUDA 版本选择合适版本的的 GPU 版 PyTorch

CMD 中使用 nvidia-smi 命令查看的是本机最高支持的 CUDA 版本

一般来说官网选择低于本机 CUDA 版本的 PyTorch 都可以使用，但是版本不要相差太大

安装其他依赖

安装用于查看神经网络结构信息的 torchinfo 库

安装用于可是查看训练情况的 tensorboard 库

安装用于绘制 GUI 界面的 PySide6 库

global_cfg.py

定于全局的配置参数

定义用于数据预处理、训练、预测的路径

定义各种映射关系

①训练好的目标检测模型预测出手骨图的21个指关节位置信息，同时将这21个指关节分为了7大类； ②对每个分类下的检测框基于x_min进行排序（左手从大到小，左右手根据桡骨和尺骨的x_min进行判断）； ③根据字典1的映射关系确定21个指关节的位置信息； ④再根据字典2筛选出13个参与评分的指关节，基于映射关系送到9种分类模型中的某一种中进行检测， 来确定指关节的成长等级用于评分

data preprocess.py base_utils.py

数据预处理和数据集划分

handbone 数据集

对图像进行自适应直方图均衡化以增强对比度

将图像对应的 xml 标注文件转换为 yolo 格式的 txt 标注文件

9 类 arthrosis 数据集

对图像进行自适应直方图均衡化以增强对比度

提前将图像缩放填充到 224*224 的固定尺寸，避免训练的时候中心裁剪到分类主体

由于当前数据集图像样本较少，所以还需要对其进行旋转数据增样

备注：实现缩放填充的方法

老师发的 common.py

Pillow 库的 ImageOps.pad 方法

yolov5

更改模型结构

目标检测

common.py

定义神经网络的组件

C2f模块

mobilenet_v3_small的组件 使用torchinfo查看网络结构方便修改

yolov5s-c2f.yaml mobilenet_v3_small.yaml

定于网络结构

yolo.py

基于网络配置文件利用神经网络组件拼装成完整网络

就是把我们自己定义的组件注册进去

多分类

yolov5/classifier/train.py

train_ob.py train_cls.py

在yolov5目录外对调用其方法对模型进行训练

train_ob.py

detect_handbone.py detect_arthrosis.py

以面向对象的方式，构建检测器来加载训练好的模型

预备知识

目标检测和多分类的模型类都位于yolo.py中

输入数据最终都时进入到BaseModel的forward方法，注意forward方法的可接受的传参

detect_handbone.py：手骨指关节检测器类

加载目标检测模型的方法

这是老师告诉我们的目标检测模型的加载接口

yolov5/models/common.py

detect方法中增强容错能力，记录检测出错的图像，以便进行分析

detect_arthrosis.py：指关节成长等级检测器

加载多分类模型的方法

但我们还不知道多分类模型是否支持这样做，所以完全模仿目标检测的使用

加载模型，发现不报错，说明模型可以加载

传入图像的路径字符串，发现报错了

yolov5/models/common.py

验证了可以加载模型，可以传图像张量进行检测，训练分类时trainloader会默认对图像进行处理，我们在预测时 也需要做同样的处理吗

为了确保模型在不同阶段的数据输入具有相同的分布和尺度，从而提高预测的准确性和模型的泛化能力。 所以预测数据也要做相同的处理

子主题

entity.py

以面向对象的方式，构建hand对象和arthrosis对象来包含模型的预测信息

mainApp.py

程序的入口，构建GUI界面+集成功能

样式

组件

QWidget

主界面

QLabel

标签组件，可以展示文字或图片

QRadioButton

单选按钮

QTextEdit

文本编辑框

......

布局

QVBoxLayout

垂直布局

QHBoxLayout

水平布局

......

功能

信号函数signal （类似于OpenCV中讲过的鼠标事件）

槽函数slot （类似于OpenCV中讲过的onMouse回调函数）

训练结果展示

目标检测

原生backbone（CSPDarknet53+SPPF）

backbone部分的C3替换为C2f

backbone整个更换为 mobilenet_v3_small

多分类

原生backbone

0.9699

vgg13_bn

没有训练的必要

resnet18

0.9791

mobilenet_v3_small

0.9869

GUI效果展示

Qt介绍

Qt 是一个 LGPL 开源的跨平台C++图形用户界面应用程序开发框架。

PyQt

PyQt 是另一家公司的 GPL 开源项目，即用 Python 语言实现的 Qt

PySide

PySide 是 Qt 官方支持的 LGPL 开源项目，同样是用 Python 语言实现的 Qt

GUI库选择

PySide 官方支持+对商业开发更友好，所以选择最新的 PySide6 进行开发

绘制GUI界面的方法

纯代码编写

没有系统学习，无法熟练使用API

Qt Designer设计后，再转换为Python代码

没有系统学习，无法知道具体使用何种组件效果最好、如何布局

引导chatGPT编写

打包exe

使用 auto-py-to-exe 库

测试用例

默认选择男性

切换性别和重新上传图像需要清空检测结果

上传不规范图像给出友情提示

例如右手、无关图像等

界面自适应拉伸

问题汇总

选择vgg13_bn作为框架的分类模型出现报错

使用 auto-py-to-exe 三方库打包成exe，各种报错异常

模块名或包名不能带短横线

解决办法

用下划线代替短横线

Python的相对路径具有不确定性

相对路径是相对于启动模块所在位置，而不是相对于代码所在模块

获取到当前模块的上级目录路径的方法

B.py

使用子yolov5子模块中的脚本文件，报错找不到

yolov5单独作为一个项目就不报错，作为子模块导入就报错：ModuleNotFoundError: No module named 'utils'

sys.path

是一个路径列表，解释器会去这些路径下搜索模块进行导入

又一个坑：在augmentations.py 报错之前使用相对路径将yolov5加入到sys.path中

将作为子模块的yolov5路径加入到sys.path中，虽然PyCharm仍然报红，但是不再报错了

PyCharm的sys.path

C:\Users\marui199710\Desktop\BoneAgeDetection C:\Users\marui199710\Desktop\BoneAgeDetection F:\Develop\JetBrains\PyCharm 2024.1\plugins\python\helpers\pycharm_display F:\Develop\anaconda3\envs\python310-BoneAgeDetection\python310.zip F:\Develop\anaconda3\envs\python310-BoneAgeDetection\DLLs F:\Develop\anaconda3\envs\python310-BoneAgeDetection\lib F:\Develop\anaconda3\envs\python310-BoneAgeDetection F:\Develop\anaconda3\envs\python310-BoneAgeDetection\lib\site-packages F:\Develop\JetBrains\PyCharm 2024.1\plugins\python\helpers\pycharm_matplotlib_backend

CMD中的sys.path

C:\Users\marui199710\Desktop\BoneAgeDetection F:\Develop\anaconda3\envs\python310-BoneAgeDetection\python310.zip F:\Develop\anaconda3\envs\python310-BoneAgeDetection\DLLs F:\Develop\anaconda3\envs\python310-BoneAgeDetection\lib F:\Develop\anaconda3\envs\python310-BoneAgeDetection F:\Develop\anaconda3\envs\python310-BoneAgeDetection\lib\site-packages