基于深度学习的CT扫描图像脑肿瘤智能检测与分析系统【python源码+Pyqt5界面+数据集+训练代码】
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
基本功能演示
基于深度学习的CT扫描图像脑肿瘤智能检测与分析系统【python源码+Pyqt5界面+数据集+训练代码】
摘要：
脑肿瘤是严重威胁人类生命健康的重大神经系统疾病。准确识别肿瘤类型并精确评估其大小与位置，对临床决策至关重要。本文基于YOLO11的深度学习框架，通过18356张实际场景中CT扫描图像脑肿瘤的相关图片，训练了可进行脑肿瘤检测分割的模型，模型可检测分割胶质瘤,脑膜瘤,垂体瘤这3种脑肿瘤类别，并分析肿瘤大小、面积等数据。最终基于训练好的模型制作了一款带UI界面的脑肿瘤智能检测与分析系统，更便于实际应用。该系统是基于python与PyQT5开发的，支持图片、视频以及摄像头进行检测，并保存检测结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。
研究背景
脑肿瘤是严重威胁人类生命健康的重大神经系统疾病，其中胶质瘤、脑膜瘤和垂体瘤是临床上最常见的三种类型，其治疗方案、预后评估和手术策略各不相同。准确识别肿瘤类型并精确评估其大小与位置，对临床决策至关重要。然而，传统脑部CT影像分析依赖放射科医生人工判读，存在耗时长、主观性强、易疲劳导致漏诊等问题，尤其在基层医疗机构中更为突出。基于YOLO深度学习框架训练的脑肿瘤检测与分类模型，结合图像分割与量化分析技术，构建了一套脑肿瘤智能检测与分析系统，能够自动识别CT图像中的肿瘤区域，精准分类为“胶质瘤”、“脑膜瘤”或“垂体瘤”，并实时计算肿瘤的大小、面积等关键参数。该系统显著提升了诊断效率与一致性，为实现脑肿瘤的早期发现、精准分型和个性化治疗提供了强有力的技术支持。
应用场景
临床辅助诊断：在医院影像科或神经外科中，系统可快速对患者CT图像进行自动分析，标注肿瘤位置并提供分类建议，辅助医生做出更高效、更准确的诊断。多学科会诊（MDT）支持：为肿瘤会诊团队提供标准化的肿瘤信息输出，包括类型、体积、位置等，提升会诊效率与决策科学性。术前规划与手术导航：通过三维重建与肿瘤体积量化，帮助外科医生制定更精确的手术切除方案，减少对健康脑组织的损伤。治疗效果动态监测：在放疗、化疗或靶向治疗前后，系统可自动对比不同时间点的肿瘤变化，客观评估治疗响应，指导方案调整。
主要工作内容
本文的主要内容包括以下几个方面：
搜集与整理数据集：搜集整理实际场景中CT扫描图像脑肿瘤的相关数据图片，并进行相应的数据标注与处理，为模型训练提供训练数据集；训练模型：基于整理的数据集，根据最前沿的YOLOv11目标分割技术训练目标检测模型，实现对需要检测的对象进行有效检测分割的功能；模型性能评估：对训练出的模型在验证集上进行了充分的结果评估和对比分析，主要目的是为了揭示模型在关键指标（如Precision、Recall、mAP50和mAP50-95等指标）上的表现情况。可视化系统制作：基于训练出的分割检测模型，搭配Pyqt5制作的UI界面，用python开发了一款界面简洁的软件系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。
软件初始界面如下图所示：
检测结果界面如下：
一、软件核心功能介绍及效果演示
软件主要功能
1. 支持登录注册，用于区域不同用户登录系统使用情况；
2. 可用于实际场景中的脑肿瘤分割，分3个分割类别：['胶质瘤','脑膜瘤','垂体瘤'];
3. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
4. 可分析计算肿瘤的实际大小以及分割面积区域的面积大小；
5. 界面可实时显示分析结果、置信度、用时、检测结果等信息;
6. 支持图片或者视频的检测结果保存；
7. 支持将图片的检测结果保存到sqlite数据库,以及检测结果的数据查询功能;
8. 支持导出病人的PDF检测报告单;
界面参数设置说明
选择模型：用于选择models文件夹目录中训练好的模型文件；置信度阈值：也就是目标检测时的conf参数，只有检测出的目标框置信度大于该值，结果才会显示；交并比阈值：也就是目标检测时的iou参数，对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话，会过滤掉其中一个，该值越小，重叠框会越少】；实际尺寸换算比例：实际物体尺寸与图片中像素的对应关系，用于计算分割区域的实际尺寸大小以及实际面积。【可根据实际情况自行设置】
检测结果说明
分割宽度cm：指分割区域的最小外接矩形的实际宽度；分割长度cm：指分割区域的最小外接矩形的实际长度；分割面积：指分割区域的实际面积大小；中心点坐标：指分割区域最小外接矩形的中心点位置；置信度：代表模型分割出结果的可信程度大小，值越大，代表越可信；
主要功能说明
功能视频演示见文章开头，以下是简要的操作描述。
(1)登录注册界面
用于区分不同医生登录系统的检测情况，在users。db文件中会保存登录用户的用户名与密码信息，使用的是sqlite数据库。
（1）图片检测说明
点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。
点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下,同时会将图片检测信息保存csv文件。注：1.右侧目标位置默认显示置信度最大一个目标位置，可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。
（2）视频检测说明
点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
（3）摄像头检测说明
点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。
（4）保存图片与视频检测说明
点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存，对于图片图片检测还会保存检测结果到sqlite数据库中。检测的图片与视频结果会存储在save_data目录下。
保存的检测结果图片如下：
（5）查看数据库
点击查看记录按钮，可以查看已经保存的所有检测记录，支持按照用户名或者检测类别进行结果查找,如下：
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。
（6）导出患者报告单
点击导出报告按钮，会弹出报告单信息界面，填写完相关信息，后点击导出报告，会自动生成患者检测结果的PDF检测报告单。
报告单信息填写界面如下：
生成的PDF文件默认在PatientsReports目录，PDF内容如下：
二、YOLO11简介
YOLO11源码地址：https://github.com/ultralytics/ultralytics
Ultralytics YOLO11是一款前沿的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。
YOLO11的网络结构：
YOLO11创新点如下:
YOLO 11主要改进包括：增强的特征提取：YOLO 11采用了改进的骨干和颈部架构，增强了特征提取功能，以实现更精确的目标检测。优化的效率和速度：优化的架构设计和优化的训练管道提供更快的处理速度，同时保持准确性和性能之间的平衡。更高的精度，更少的参数：YOLO11m在COCO数据集上实现了更高的平均精度（mAP），参数比YOLOv8m少22%，使其在不影响精度的情况下提高了计算效率。跨环境的适应性：YOLO 11可以部署在各种环境中，包括边缘设备、云平台和支持NVIDIA GPU的系统。广泛的支持任务：YOLO 11支持各种计算机视觉任务，如对象检测、实例分割、图像分类、姿态估计和面向对象检测（OBB）。
三、模型训练、评估与推理
本文主要基于YOLO11n模型进行模型训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括：数据集准备、模型训练、模型评估。
1. 数据集准备与训练
通过网络上搜集关于实际场景中CT扫描图像中的脑肿瘤的相关图片，并使用Labelimg标注工具对每张图片进行标注，分3个检测类别：['胶质瘤','脑膜瘤','垂体瘤']。
数据增强：
通过图像旋转、饱和度调节以及图像模糊处理等方式进行本地图像增强处理，以扩充数据集，提升模型的泛化能力。
最终该数据集一共包含18356张图片，其中训练集包含16523张图片，验证集包含1091张图片，测试集包含742张图片。
部分图像及标注如下图所示：
数据集各类别数目分布情况如下：
2.模型训练
准备好数据集后，将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入Data目录下。
同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv11在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：
train: E:\MyCVProgram\3SegProgram\BrainTumorSeg_v11\datasets\Data\train
val: E:\MyCVProgram\3SegProgram\BrainTumorSeg_v11\datasets\Data\valid
test: E:\MyCVProgram\3SegProgram\BrainTumorSeg_v11\datasets\Data\test
nc: 3
names: ['Glioma', 'Meningioma', 'Pituitary tumor']
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，optimizer设定的优化器为SGD，训练代码如下：
#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')
if __name__ == '__main__':
# 训练模型配置文件路径
yolo_yaml_path = 'ultralytics/cfg/models/11/yolo11-seg.yaml'
# 数据集配置文件路径
data_yaml_path = 'datasets/Data/data.yaml'
# 官方预训练模型路径
pre_model_path = "yolo11n-seg.pt"
# 加载配置文件和预训练模型
model = YOLO(yolo_yaml_path).load(pre_model_path)
# 模型训练
model.train(data=data_yaml_path,
epochs=150,
batch=4)
模型常用训练超参数参数说明：YOLO11 模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。
以下是一些常用的模型训练参数和说明：
| 参数名 | 默认值 | 说明 |
|---|---|---|
model |
None |
指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于定义模型结构或初始化权重至关重要。 |
data |
None |
数据集配置文件的路径（例如 coco8.yaml).该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数。 |
epochs |
100 |
训练总轮数。每个epoch代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。 |
patience |
100 |
在验证指标没有改善的情况下，提前停止训练所需的epoch数。当性能趋于平稳时停止训练，有助于防止过度拟合。 |
batch |
16 |
批量大小，有三种模式:设置为整数(例如，’ Batch =16 ‘)， 60% GPU内存利用率的自动模式(’ Batch =-1 ‘)，或指定利用率分数的自动模式(’ Batch =0.70 ')。 |
imgsz |
640 |
用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。 |
device |
None |
指定用于训练的计算设备：单个 GPU (device=0）、多个 GPU (device=0,1)、CPU (device=cpu)，或苹果芯片的 MPS (device=mps). |
workers |
8 |
加载数据的工作线程数（每 RANK 多 GPU 训练）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。 |
name |
None |
训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。 |
pretrained |
True |
决定是否从预处理模型开始训练。可以是布尔值，也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。 |
optimizer |
'auto' |
为训练模型选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳定性 |
lr0 |
0.01 |
初始学习率（即 SGD=1E-2, Adam=1E-3) .调整这个值对优化过程至关重要，会影响模型权重的更新速度。 |
lrf |
0.01 |
最终学习率占初始学习率的百分比 = (lr0 * lrf)，与调度程序结合使用，随着时间的推移调整学习率。 |
3. 训练结果评估
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv11在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
各损失函数作用说明：定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。
本文训练结果如下：
我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型检测的mAP@0.5值为0.85，结果还是十分不错的。
检测框的PR曲线如下：
分割结果的PR曲线如下：
验证集评估结果如下：
更多检测结果示例如下：
四、可视化系统制作
基于上述训练出的目标检测模型，为了给此检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面，通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】
Pyqt5详细介绍
关于Pyqt5的详细介绍可以参考之前的博客文章：《Python中的Pyqt5详细介绍：基本机构、部件、布局管理、信号与槽、跨平台》，地址：
https://a-xu-ai.blog.csdn.net/article/details/143273797
系统制作
博主基于Pyqt5框架开发了此款脑肿瘤智能检测与分析系统，即文中第一部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。
通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验，还使得检测过程更加直观透明，便于结果的实时观察和分析。此外，GUI还可以集成其他功能，如检测结果的保存与导出、检测参数的调整，从而为用户提供一个全面、综合的检测工作环境，促进智能检测技术的广泛应用。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。
【获取方式】
关注末尾名片GZH【阿旭算法与机器学习】，发送【源码】获取下载方式
本文涉及到的完整全部程序文件：包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等（见下图），获取方式见文末：
项目文件说明:
注意：该代码基于Python3.9开发，运行界面的主程序为
MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。
码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践
更多推荐
21
0- 0
已为社区贡献3条内容
所有评论(0)