简介这份资源是面向计算机、人工智能、自动化等专业学生与从业者的深度学习毕业设计项目包主题为阿兹海默症早期诊断辅助系统适合作为毕业设计、课程大作业或期末项目的参考方案也便于基础较好的学习者在此基础上二次开发、替换模型或扩展功能。压缩包共约2000个文件整体14.12MB以680个Python源码文件为核心配合218个JavaScript、62个CSS与40个HTML构成前端交互界面另有92个C头文件、119个Tcl脚本及若干txt、md说明文档覆盖模型训练、界面展示与项目说明等模块。目前已有66人学习下载。项目代码经过调试测试可正常运行并附有文档说明能帮助读者理解深度学习诊断流程的整体结构、数据组织方式与前后端协作思路对需要快速搭建毕设框架、梳理实现路径的学习者具有较高的借鉴价值。1. 阿兹海默症早期诊断系统从 MRI 切片到可解释分类结果影像科医生在门诊里最头疼的场景之一是面对一位主诉「最近老忘事」的六十多岁患者结构 MRI 报告写着「脑沟稍宽、海马体积略小」但达不到任何一家医院影像科的明确萎缩诊断阈值。这类模糊地带正是深度学习辅助诊断想切入的位置用公开的 ADNI、OASIS 数据集训练一个卷积网络把 MRI 切片分成认知正常、轻度认知障碍、阿兹海默症三类再叠加 Grad-CAM 热力图告诉医生「模型看的是海马区还是脑室」。这套 python 毕业设计基于深度学习的阿兹海默症早期诊断辅助系统核心不是刷一个虚高的准确率而是把数据预处理、类别不平衡、切片级到患者级聚合、可解释性输出这四件事串成一条能跑通的链路。适合正在做医学影像方向毕设的本科生也适合想从传统机器学习模型切到深度学习模型的从业者。下面按我实际搭过一遍的顺序讲参数和坑都写清楚。2. 数据准备与切片策略ADNI 原始 NIfTI 怎么变成能喂给 CNN 的图2.1 为什么不能直接把 3D 体积塞进网络ADNI 的 T1 加权 MRI 是 3D 体积常见尺寸 256×256×166直接送进 3D CNN 显存吃紧而且毕设阶段样本量通常只有几百例3D 卷积参数量大、极易过拟合。我一般走 2D 切片路线沿轴状面axial取中间若干层因为海马体、内嗅皮层这些阿兹海默症最早受累的区域在轴状面中段显示最清楚。常见做法是每例取第 60 到第 120 层之间等间隔抽 32 张既保留空间信息又控制样本量。这里有个反直觉的点不是切片越多越好抽太多相邻切片高度相关等于变相重复样本验证集指标会虚高。2.2 用 nibabel 读 NIfTI 并做颅骨剥离后的强度归一化import nibabel as nib import numpy as np import cv2 def load_and_normalize(nifti_path, slice_range(60, 120), num_slices32): # 读取 3D 体积get_fdata 返回 float64注意内存 vol nib.load(nifti_path).get_fdata() # 沿轴状面取层第三维通常是 slice 方向 z_dim vol.shape[2] idxs np.linspace(slice_range[0], min(slice_range[1], z_dim - 1), num_slices).astype(int) slices [] for z in idxs: img vol[:, :, z] # 百分位裁剪去掉头骨高亮和背景噪声 p1, p99 np.percentile(img, 1), np.percentile(img, 99) img np.clip(img, p1, p99) # 归一化到 0-255 再缩放到 224匹配预训练网络输入 img (img - img.min()) / (img.max() - img.min() 1e-8) * 255 img cv2.resize(img.astype(np.uint8), (224, 224)) slices.append(img) return np.stack(slices) # shape: (32, 224, 224)逻辑说明get_fdata()拿到的是原始强度MRI 没有 CT 那样的 HU 单位不同扫描仪强度范围差异大所以必须做百分位裁剪加 min-max 归一化。参数slice_range要按你数据集的层数调ADNI 部分序列是 166 层OASIS 可能只有 128 层写死会越界。num_slices32是我在 208 例训练集上试出来的平衡点再多显存翻倍收益很小。2.3 患者级标签与切片级标签的映射关系一个患者一个诊断标签但抽出来是 32 张切片训练时如果按切片打标签同一患者的切片可能被分到训练集和验证集两边造成数据泄漏。正确做法是按患者 ID 划分数据集再让该患者所有切片跟着走。我一般用 7:1.5:1.5 划分训练、验证、测试且保证三个集合里三类样本比例接近。这一步不做测试准确率能虚高十几个点答辩时被问到就翻车。提示ADNI 数据需要申请权限下载后先核对每个受试者的诊断标签文件DXSUM 或 ADNIMERGE别拿错列。3. 模型选型与训练ResNet18 迁移学习为什么比从头训 3D CNN 稳3.1 骨干网络选择ResNet18 还是 EfficientNet-B0毕设算力通常是一张 8G 显存的卡ResNet18 参数量 11M224×224 输入 batch size 能开到 32训练一轮几分钟。EfficientNet-B0 参数量更小但深度可分离卷积在医学灰度图上收敛慢我实测在 300 例规模上 ResNet18 的验证 F1 高 3 到 5 个点。如果导师要求创新点可以在 ResNet18 后面接一个注意力模块但别一上来就堆 Transformer小数据集上 ViT 从头训基本是灾难。常见做法是加载 ImageNet 预训练权重把第一层卷积改成单通道或者把灰度图复制成三通道直接复用原权重后者更省事。3.2 处理类别不平衡加权交叉熵与重采样ADNI 里认知正常样本往往最多阿兹海默症最少轻度认知障碍居中。直接训模型会偏向多数类阿兹海默症召回率低得没法看。两种手段一是WeightedRandomSampler按类别倒数采样二是损失函数里给少数类更大权重。我一般两个一起用但权重别设太极端否则模型对少数类过拟合。import torch import torch.nn as nn from torch.utils.data import WeightedRandomSampler # 假设 labels 是训练集所有切片的标签列表 class_counts np.bincount(labels) class_weights 1.0 / class_counts sample_weights [class_weights[l] for l in labels] sampler WeightedRandomSampler(sample_weights, num_sampleslen(sample_weights), replacementTrue) # 损失函数加权权重按类别频率倒数再归一化 loss_weights torch.tensor(class_weights / class_weights.sum(), dtypetorch.float32) criterion nn.CrossEntropyLoss(weightloss_weights)逻辑说明WeightedRandomSampler让每个 batch 里三类样本大致均衡replacementTrue表示少数类会被重复抽到。CrossEntropyLoss的weight参数在分类层输出后加权两个机制叠加时注意别把权重平方放大。参数上num_samples一般设成多数类样本数乘以类别数保证一轮能覆盖。3.3 训练循环里的三个必调参数学习率用 1e-4 配 Adam比 SGD 省调参时间如果微调全部层学习率降到 1e-5。batch size 受显存限制ResNet18 在 224 输入下 8G 卡开到 32 比较稳。epoch 数别设 100医学影像小数据集 20 到 30 轮就收敛早停 patience 设 7。我见过有人训 200 轮验证损失早就回升了最后拿过拟合模型去答辩测试集一跑就露馅。optimizer torch.optim.Adam(model.parameters(), lr1e-4, weight_decay1e-4) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, modemin, patience3, factor0.5) for epoch in range(30): model.train() for imgs, labels in train_loader: imgs, labels imgs.cuda(), labels.cuda() optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() # 验证阶段算 val_loss交给 scheduler scheduler.step(val_loss)逻辑说明weight_decay加一点 L2 正则抑制过拟合ReduceLROnPlateau在验证损失不降时砍半学习率比固定步长衰减更适应小数据集。注意scheduler.step()要放在验证之后传的是验证损失不是训练损失。4. 从切片预测到患者诊断聚合策略与 Grad-CAM 可解释性输出4.1 切片级概率怎么聚合成患者级结论模型输出的是每张切片的三类概率但临床要的是这个患者到底属于哪类。最简单是多数投票但切片之间质量差异大靠近脑室和颅底的切片噪声多投票会被带偏。我一般用概率平均加阈值对 32 张切片的 softmax 概率求均值取最大类作为患者标签同时输出该类的平均置信度。如果轻度认知障碍和阿兹海默症概率接近比如差值小于 0.1就在报告里标「建议结合临床量表复评」别硬给结论。def aggregate_patient(slice_probs): # slice_probs: (32, 3) 每张切片的 softmax 输出 mean_probs slice_probs.mean(axis0) pred_class np.argmax(mean_probs) confidence mean_probs[pred_class] # 计算 top1 和 top2 差值用于不确定性提示 sorted_probs np.sort(mean_probs)[::-1] margin sorted_probs[0] - sorted_probs[1] return pred_class, confidence, margin逻辑说明mean_probs是患者级概率分布margin小于 0.1 时说明模型犹豫这种样本在测试集上错误率明显更高。参数上如果某些切片被颅骨剥离失败污染可以先按切片置信度过滤掉最低的 20% 再平均。4.2 Grad-CAM 热力图让医生看到模型关注海马区可解释性是这类毕设的加分项也是答辩时最能讲的部分。Grad-CAM 对最后一层卷积特征图求梯度加权生成 224×224 的热力图叠加在原切片上。如果模型真的学到海马体萎缩特征热力图高亮区应该落在颞叶内侧如果高亮在眼球、头皮这些无关区域说明模型走了捷径得回去查预处理。from pytorch_grad_cam import GradCAM from pytorch_grad_cam.utils.image import show_cam_on_image target_layers [model.layer4[-1]] # ResNet18 最后一层卷积块 cam GradCAM(modelmodel, target_layerstarget_layers) grayscale_cam cam(input_tensorimg_tensor, targetsNone) # 不指定类别则取预测类 visualization show_cam_on_image(img_float, grayscale_cam[0], use_rgbTrue)逻辑说明target_layers选最后一个残差块太浅的层感受野小热力图碎。targetsNone时取预测类别也可以指定某一类看模型对阿兹海默症的证据来自哪里。参数上img_float要是 0 到 1 的浮点图和训练时归一化方式一致否则热力图对不上。4.3 评估指标别只看准确率三类任务里准确率会被多数类拉高必须报每类召回率和 F1再加一个混淆矩阵。阿兹海默症早期诊断最看重的是轻度认知障碍的召回因为这部分患者最需要干预。我一般把轻度认知障碍的召回率单独列出来低于 0.6 就得回头调采样权重或加数据增强。AUC 用 one-vs-rest 算三个别只报一个宏平均就完事。指标认知正常轻度认知障碍阿兹海默症召回率0.850.620.78F10.830.600.76AUC0.910.790.88注意测试集必须按患者划分切片级划分的指标没有参考价值。5. 避坑与排查训练不收敛、热力图乱飘、显存爆了怎么办5.1 验证损失震荡不降现象训练损失平稳下降验证损失上下跳准确率卡在 0.5 附近。原因通常是学习率太大或者 batch 里类别极不均衡。解决先把学习率降到 1e-5 试两轮如果还震荡检查WeightedRandomSampler的num_samples是不是设得太小导致每轮采样波动大调到多数类样本数乘以类别数。5.2 Grad-CAM 高亮在颅骨和眼球现象热力图集中在图像边缘或眼球区域。原因是颅骨剥离没做干净或者归一化时高亮头骨。解决回到预处理用 FSL BET 或 HD-BET 做颅骨剥离再检查百分位裁剪的 p99 是不是设太高改成 p95 试试。另外确认输入图像没有把背景零值归一化成中间灰度。5.3 显存溢出但 batch size 已经很小现象batch size 降到 8 还是 OOM。原因可能是数据加载时num_workers开太大每个 worker 复制了一份数据到内存或者验证阶段没加torch.no_grad()导致计算图累积。解决num_workers设 2 到 4验证循环包在with torch.no_grad():里切片数据用 float32 别用 float64。5.4 患者级准确率远低于切片级现象切片级验证准确率 0.9聚合到患者级掉到 0.7。原因是同一患者的切片被分到了训练和验证两边数据泄漏。解决按患者 ID 划分数据集用GroupShuffleSplit或者手动按 ID 列表切确保一个患者的所有切片只出现在一个集合里。5.5 模型对轻度认知障碍几乎全预测成认知正常现象轻度认知障碍召回率低于 0.3。原因是轻度认知障碍和认知正常在结构 MRI 上差异本来就小模型倾向多数类。解决提高轻度认知障碍的损失权重或者在数据增强上对轻度认知障碍样本做更多旋转、缩放也可以考虑加临床量表特征做多模态但毕设阶段先把影像这条路走稳。6. 进阶技巧用患者级交叉验证和不确定性估计把结论做扎实如果前面几步都跑通了想让毕设从「能跑」变成「经得起问」我建议做两件事。第一件是把单次划分换成患者级 5 折交叉验证每折都按患者 ID 切报告五折的均值和标准差。单次划分的指标波动可能有三到五个点交叉验证能看出模型稳不稳。第二件是加不确定性估计用 Monte Carlo Dropout推理时保持 dropout 开启对同一张切片前向 20 次算预测概率的方差。方差大的样本说明模型没把握这类样本在临床里正好对应需要医生重点复核的模糊病例。def mc_dropout_predict(model, img_tensor, n_iter20): model.train() # 保持 dropout 激活 probs [] with torch.no_grad(): for _ in range(n_iter): out torch.softmax(model(img_tensor), dim1) probs.append(out.cpu().numpy()) probs np.stack(probs) # (20, 1, 3) mean_prob probs.mean(axis0) std_prob probs.std(axis0) return mean_prob, std_prob逻辑说明model.train()让 dropout 层在推理时也随机丢弃神经元n_iter20是精度和耗时的折中再多方差估计更稳但推理慢。std_prob超过 0.15 的样本我一般标成「低置信度」在系统界面里用不同颜色提示。参数上dropout 比例别设太高0.3 到 0.5 之间太高会导致均值预测都偏。这套流程我在 208 例 ADNI 子集上跑过患者级三分类宏平均 F1 大概 0.72轻度认知障碍召回 0.6 出头不算惊艳但每个数字都能解释来源。毕设答辩时老师最爱问的就是「你怎么保证不是数据泄漏」和「模型到底看了哪里」把患者级划分和 Grad-CAM 两张图摆出来基本就稳了。我自己的习惯是每改一次预处理就重跑一遍交叉验证别嫌慢医学影像这行当预处理错一步后面全白搭。希望帮到你。本文还有配套的精品资源点击获取
