基于YOLOv10深度学习的医学影像宫腔镜图像良恶性病变检测与语音报警系统

7zcode

已于 2025-01-25 09:22:07 修改

阅读量1.5k

点赞数 32

分类专栏：深度学习开发文章标签： YOLO 深度学习人工智能

于 2025-01-25 08:22:58 首次发布

本文链接：https://blog.csdn.net/ZSW1218/article/details/145349470

版权

宫腔镜影像检查是子宫相关疾病诊断的重要工具，尤其在黏膜下子宫肌瘤、子宫内膜癌等病变的早期发现中具有不可替代的作用。然而，由于医生在诊断过程中的经验差异及对复杂病变的主观判断，部分病变可能面临漏诊或误诊的风险，直接影响患者的治疗效果和预后。为了有效提高宫腔镜影像中病变检测的效率和准确性，本文提出了一种基于YOLOv10深度学习模型的宫腔镜图像良恶性病变检测与实时语音报警系统。系统采用先进的深度学习技术，通过PyQt5开发用户友好型交互界面，整合了宫腔镜图像的实时采集、病变检测与分类、数据可视化展示及语音报警等多功能模块，旨在为临床诊断提供一套高效、智能的辅助诊断工具。

针对宫腔镜影像中常见的8类病变，包括黏膜下子宫肌瘤、子宫内膜癌、子宫内膜息肉、子宫内膜息肉样增生、子宫内膜增生不伴不典型增生、宫内异物、子宫颈息肉及子宫内膜不典型增生，本文构建了一个覆盖多样化病变特征的高质量宫腔镜影像数据集。

本文系统不仅实现了宫腔镜图像的自动化分析与实时反馈，还显著减少了人工判断中的不确定性，为宫腔镜影像辅助诊断提供了一种创新的解决方案。通过将深度学习算法与临床需求深度融合，该系统在实际医疗场景中展现出了广阔的应用前景，不仅能够帮助医生优化诊断流程，还能为患者提供更高效、更可靠的治疗建议。这项研究为宫腔镜辅助诊断领域注入了新动能，为未来人工智能技术在医学影像领域的进一步发展奠定了坚实基础。

算法流程

Tipps：深入解析项目的算法流程，逐步探索技术实现的核心逻辑。从数据加载与预处理开始，到核心算法的设计与优化，再到结果的可视化呈现，每一步都将以清晰的结构和简洁的语言展现，揭示技术背后的原理与实现思路。

项目数据

Tipps：通过搜集关于数据集为各种各样的宫腔镜图像良恶性病变图像，并使用Labelimg标注工具对每张图片进行标注，分8个检测类别，分别是’黏膜下子宫肌瘤’,’子宫内膜癌’,’子宫内膜息肉’,’子宫内膜息肉样增生’,’子宫内膜增生不伴不典型增生’,’宫内异物’,’子宫颈息肉’,’子宫内膜不典型增生’。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！