摘要：乳腺癌是全球女性中最常见的恶性肿瘤之一，早期准确的良恶性分类对于制定个性化治疗方案和提高患者生存率至关重要。传统的乳腺X线摄影（钼靶）虽被广泛应用于乳腺癌筛查，但受限于图像质量、噪声干扰和专家经验等因素，其诊断准确性存在一定局限。近年来，基于深度学习的图像分类方法在医学影像分析中取得了显著进展，尤其是视觉Transformer（ViT）架构的引入，为医学图像分类提供了新的思路。
项目信息
编号：PCV-12
数据集：Dataset-12
大小：203M
作者：Bob(原创)
环境配置
开发工具：
– PyCharm的安装包：PyCharm: Python IDE for Professional Developers
– PyCharm的历史安装包：PyCharm: Python IDE for Professional Developers
– Anaconda的安装包：Anaconda | Start Coding Immediately
语言环境：Python == 3.12.0
依赖包：
– pip install numpy==2.3.3
– pip install opencv-python==4.12.0.88
– pip install pillow==11.3.0
– pip install PyQt==5.15.11
– pip install torch==2.7.0+cu118
– pip install torchvision== 0.22.0+cu118
– pip install matplotlib==3.10.7
研究背景
乳腺癌是全球女性最常见的恶性肿瘤之一，其早期诊断对提高患者生存率至关重要。传统的乳腺癌筛查方法包括乳腺X线摄影（乳房摄影术）、超声检查和磁共振成像（MRI），但这些方法在处理复杂或微小病变时可能存在局限性。近年来，深度学习技术，尤其是基于Transformer架构的模型，在医学影像分析中取得了显著进展。
Swin Transformer（Shifted Window Transformer）是一种新型的视觉Transformer模型，采用分层结构和位移窗口机制，能够有效捕捉图像中的局部和全局特征，具有较高的计算效率和准确性。该模型在图像分类、目标检测和语义分割等任务中表现出色。在乳腺癌的影像分析中，Swin Transformer被用于自动化的良恶性肿瘤分类，旨在提高诊断的准确性和效率。
因此，基于Swin Transformer的乳腺癌良性和恶性分类系统的研究，旨在探索深度学习技术在乳腺癌早期筛查中的应用，评估其在临床实践中的可行性和有效性。该研究不仅有助于提高乳腺癌的早期诊断率，还可能为其他类型的医学影像分析提供参考。
算法概述
1.Swin Transformer
Swin Transformer由微软公司的研究人员推出，是一种有效结合了 CNN 和 Transformer模型优势的新型架构。它旨在以类似 CNN 的分层方式处理图像，同时利用变换器固有的自我关注机制。这种混合方法使 Swin 变换器能够有效处理各种规模的视觉信息，从而使其在广泛的视觉任务中具有高度的通用性和强大的功能。
Swin Transformer 的核心创新在于其分层结构和基于移位窗口的自我注意力机制。与标准视觉转换器（ViT）在整个图像中应用自我注意力不同，Swin Transformer将图像划分为不重叠的小窗口，在这些窗口内计算自我注意力，从而减少了计算复杂性。此外，Swin Transformer引入了窗口移位技术，使得在连续的Transformer块之间，图像区域能在不同层之间相互影响，从而更好地整合局部与全局上下文信息。
图1 Swin Transformer多层级表示和ViT对比
如图1所示，Swin Transformer从小的patch开始，通过在深层次逐步合并相邻patch的方式构建了一个层级化的表示。通过这些层级特征图，Swin Transformer可以像FPN和U-Net那样进行多尺度密集预测。通过对图像分区（用红色标出）进行非重叠窗口的局部自注意力计算实现了线性的计算复杂度。每个窗口的patch的个数是固定的，因此计算复杂度和图像的大小成线性关系。
相比于之前只能产生单一分辨率特征图和平方复杂度的Transformer模型，Swin Transformer适合作为各种视觉任务的通用主干网络（backbone）。
图2：Swin Transformer网络架构
该架构详细展示了 Swin-Transformer 模型如何通过逐层处理和 Patch Merging 实现高效的图像特征提取。每个阶段的 Swin Transformer Block 通过不同的自注意力机制（如 W-MSA 和 SW-MSA）逐步提升图像理解的深度。通过多层次的处理和特征合并，该模型在处理大规模图像数据时表现出色，特别适合于图像分类和目标检测等任务。
Swin Transformer解决了以往基于 CNN 和 Transformer的模型的几个局限性。首先，它的分层设计可以高效处理多种分辨率的图像，有助于完成需要同时了解精细细节和整体结构的任务，如物体检测和语义分割。其次，通过将自我关注机制定位到窗口并采用移位窗口，Swin Transformer 大幅降低了计算要求，使其更易于扩展到大型图像和数据集。最后，它的架构通过将局部特征无缝集成到更广泛的上下文中，实现了更好的特征学习，从而提高了各种视觉任务的性能。
系统设计
本系统旨在实现乳腺癌良性和恶性肿瘤的自动化分析与分类，采用“数据输入 + 模型推理 + 结果展示”的一体化工作流程。系统架构包括图像输入模块、图像预处理模块、数据集准备模块、Swin-Transformer训练模块、推理与检测模块、用户交互界面模块、检测结果展示模块以及实验结果与性能评估模块。通过图形用户界面（GUI），前端界面支持用户便捷地导入乳腺癌相关影像数据并进行交互操作，而后端则通过Swin-Transformer模型进行实时的乳腺癌影像分析与分类。
图3 诊断系统整体流程图
Swin-Transformer模型在乳腺癌分类任务中表现出色，具有较高的准确性和效率，能够精准区分“乳腺良性肿瘤”和“乳腺恶性肿瘤”等不同的病理状态。因此，本系统在乳腺癌早期诊断和治疗领域具有广泛的应用潜力，能够为临床医生提供精准的辅助诊断工具，推动乳腺癌筛查的智能化进程。
数据集构建
1.数据来源
本系统使用的乳腺肿瘤影像数据主要来源于BreakHis 数据集（Breast Cancer Histopathological Image Classification Dataset），涵盖“乳腺良性肿瘤”和“乳腺恶性肿瘤”等常见乳腺病变的影像资料。该数据集包含来自不同放大倍数（40x、100x、200x、400x）的乳腺组织切片图像，提供了丰富的肿瘤类型和不同病理状态下的影像特征。通过整理和筛选这些图像数据，本系统构建了一个多样化的乳腺肿瘤影像数据集，包含不同肿瘤类型的影像特征，提供了高质量的训练数据，推动了深度学习和人工智能在乳腺肿瘤分类与诊断中的应用。
表2 数据集基本信息
该数据集包括“乳腺良性肿瘤”和“乳腺恶性肿瘤”两种不同的乳腺肿瘤影像状态。数据集不仅涵盖了不同类型的乳腺肿瘤，还具有较高的影像质量，适用于乳腺肿瘤分类任务，为乳腺肿瘤的自动化诊断提供了高质量的训练数据。该数据集旨在推动深度学习和人工智能技术在医学影像分析领域中的应用，特别是在乳腺肿瘤检测中，提供强有力的数据支持，旨在提高乳腺肿瘤诊断的准确性和效率。
图4 数据集图片
本研究在对原始乳腺肿瘤影像数据进行清洗与筛选后，构建了一个包含“乳腺良性肿瘤”和“乳腺恶性肿瘤”两种乳腺肿瘤状态的影像数据集。该数据集的类别分布均衡，全面涵盖了不同乳腺健康状态，能够真实反映乳腺肿瘤状态下的影像特征。数据集中每类状态的影像均经过标准化处理与质量控制，确保了样本的代表性与清晰度。该数据集为后续基于深度学习模型进行乳腺肿瘤健康状态识别与分类提供了坚实的数据支撑，为医学影像分析领域的智能化与自动化研究奠定了基础。
2.分类方法
本系统所使用的乳腺肿瘤影像数据的分类信息由专业人员完成。每个乳腺肿瘤影像都被分配到一个明确的肿瘤健康状态，如“乳腺肿瘤良性”和“乳腺肿瘤恶性”。为确保分类的准确性和可靠性，分类过程由专业人员独立完成，并通过交叉验证的方式进行审核，从而有效降低个体差异带来的偏差，确保数据分类的一致性和权威性。该分类方法确保了数据集的高质量，并为后续基于深度学习模型的乳腺肿瘤健康状态分类模型训练提供了坚实的数据支持。
（1）分类数据集格式
该格式主要用于乳腺肿瘤分类任务，常见于Swin Transformer等深度学习模型的训练。其方法是将每张乳腺肿瘤影像归类为“乳腺良性肿瘤”或“乳腺恶性肿瘤”两种明确类别。该格式能够确保数据与模型在训练与推理过程中的高效匹配，从而提高分类精度和推理效率。Swin Transformer通过其分层结构和移位窗口自注意力机制，能够更好地处理影像中的局部与全局上下文信息，进一步提升了分类性能。这种格式简化了数据准备过程，并为基于Swin Transformer的乳腺肿瘤分类模型训练提供了高效且标准化的数据输入。
图5 分类数据集格式
（2）数据集划分
标注后的数据集不仅包括图像文件，还包含对应的分类信息。经过上述所有步骤处理和验证后的图像数据被划分成训练集和测试集，形成最终的数据集，用于算法训练学习模型。
图5 数据集划分：测试集和训练集
模型训练
Swin Transformer 是一种常用于图像分类任务的深度学习模型。其训练过程主要包括以下几个步骤：配置文件与超参数的设置、训练过程的执行以及训练结果的可视化分析。Swin Transformer通过其分层结构和移位窗口自注意力机制，能够有效处理图像中的局部与全局上下文信息，进一步提升分类精度和效率。在训练过程中，Swin Transformer能够通过高效的计算方式应对大规模数据集，并且在多个图像分类任务中展现出了优异的性能。
图6 模型训练流程图
1.配置文件与超参数设置
以下是关于Swin Transformer模型训练过程中的配置文件和超参数设置，并通过配置文件以及相关参数进行训练设置。
表4 Swin Transformer模型训练超参数设置
2.模型性能评估
在 Swin Transformer模型的训练过程中，模型性能评估是衡量其在图像分类任务中表现的重要环节，能够全面反映模型在分类精度和泛化能力方面的表现。科学而准确的评估不仅有助于揭示模型的优势与不足，还能为后续的改进与优化提供可靠依据。
（1）训练与验证准确率和损失曲线
图7 Swin Transformer训练与验证准确率和损失曲线
这张图展示了基于Swin Transformer模型在训练过程中，训练和验证的准确率及损失随训练轮次（epoch）变化的情况。从训练与验证准确率图中可以看出，训练准确率和验证准确率在初期有较大波动，但随着训练的进行，准确率逐步上升并接近1.00，说明模型在训练集和验证集上的性能逐渐提高。然而，验证准确率波动较大，可能存在过拟合的风险。下方的训练与验证损失图显示，训练损失快速下降并趋于稳定，表明模型在训练集上的表现不断优化；而验证损失波动较大，尤其在训练后期，可能是由于模型在验证集上出现过拟合，导致损失不稳定。综上，尽管训练集表现良好，但验证集的波动表明过拟合问题需要关注，可能需要通过调整正则化策略、增加数据集多样性或使用早停技术等手段来改善模型的泛化能力。
（2）混淆矩阵热力图
图8 Swin Transformer混淆矩阵热力图
这张混淆矩阵热图展示了基于Swin Transformer模型在乳腺肿瘤分类任务中的表现。图中的左上角显示了模型对良性肿瘤的预测准确率为99%，而右上角的误判率仅为1%，即模型几乎没有错误地将良性肿瘤预测为恶性。左下角的值为0，表明没有发生将实际良性肿瘤误预测为恶性的情况。右下角的值为1.0，显示出模型在预测恶性肿瘤时的完美准确性。这些结果表明，Swin Transformer模型在乳腺肿瘤的分类中表现出色，具有较高的准确性和较低的误分类率，能够有效地帮助实现精准的肿瘤分类。
（3）各类的分类性能评估：准确率、精确率、召回率与F1分数图
图9 各类认知障碍的分类性能评估：准确率、精确率、召回率与F1分数图
这张图展示了基于Swin Transformer模型在乳腺肿瘤分类任务中的评估结果，涵盖了准确率、精确度、召回率和F1分数四个重要指标。整体准确率为0.99，表明模型在所有分类任务中的表现非常优秀。精确度和召回率方面，良性肿瘤的精确度为0.99，召回率为0.99，恶性肿瘤的精确度和召回率分别为0.99和1.00，显示出模型对两类肿瘤的高效区分能力。F1分数分别为0.99和1.00，反映了模型在精确度和召回率之间的良好平衡。总体而言，模型在乳腺肿瘤分类中的表现非常出色，具有较高的准确性和可靠性，为乳腺肿瘤的早期诊断提供了有力的支持。
（4）训练日志（Training Log）
训练日志记录了Swin Transformer模型在训练过程中的详细信息，包括训练轮次、每轮的损失值、验证准确率以及训练时间等，这些信息帮助评估模型的训练效果和性能。
图10 Swin Transformer训练日志
图11 模型训练日志概要
功能展示
本系统基于深度学习的Swin Transformer模型，旨在实现乳腺癌良性和恶性肿瘤的自动诊断与分类。系统集成了Swin Transformer模型，用于对乳腺癌影像进行特征提取、分类及诊断结果展示。通过对比不同模型的性能表现，本系统为乳腺癌的智能化、标准化诊断研究提供了技术支撑。以下为主要功能界面的展示：
1. 系统主界面展示
系统主界面集成了乳腺癌影像上传、模型选择、实时分析及诊断结果展示等功能。用户可在界面中直观选择不同的深度学习模型（如Swin Transformer），上传乳腺癌影像后，系统将自动进行特征提取与分类分析，并生成对应的诊断结果。界面支持对模型预测结果的可视化展示，方便医生和科研人员对比不同模型在乳腺癌良性与恶性肿瘤分类中的性能表现。系统支持诊断乳腺良性肿瘤和乳腺恶性肿瘤等多种乳腺疾病。
图12 系统主界面
2. 图片检测功能
本系统基于Swin Transformer模型，支持对乳腺癌影像进行快速诊断。用户可以上传乳腺癌影像样本，系统会自动进行分析，识别乳腺健康状态（如乳腺良性肿瘤、乳腺恶性肿瘤等），并给出诊断结果、分类标签和置信度评分。诊断结果通过清晰的文本和图表直观呈现，帮助医生和科研人员快速评估不同模型（如Swin Transformer）在乳腺癌良性与恶性肿瘤分类中的性能表现，从而为进一步的治疗决策提供支持。
图13 乳腺恶性肿瘤
图14 乳腺良性肿瘤
3. 保存结果
图15 结果保存
4. 生成医疗影像诊断报告
图16 成功生成医疗影像诊断报告
图17 诊断报告
界面设计
本系统的图形用户界面采用PyQt5框架开发，致力于打造直观、高效且流畅的交互体验。通过精心设计的界面布局和模块化架构，系统功能得以清晰呈现，并确保各项操作的高效执行，全面提升用户使用体验。
图20 PyQt5主控面板界面
该界面展示了基于PyQt5框架精心设计的诊断系统，界面布局简洁、直观且高度集成。通过巧妙的模块化设计，系统涵盖了多项功能模块，确保用户能够高效、流畅地进行操作与交互，充分体现了系统在医学领域中的智能化与人性化设计。
文件清单
1.核心文件
2.训练文件
3.训练模型
4.界面文件
5.数据集文件
服务项目
联系我们
官方声明
（1）实验环境真实性与合规性声明：
本研究所使用的硬件与软件环境均为真实可复现的配置，未采用虚构实验平台或虚拟模拟环境。实验平台为作者自主购买的外星人笔记本（Alienware）笔记本，具体硬件参数详见表。软件环境涵盖操作系统、开发工具、深度学习框架等，具体配置详见表，所有软件组件均来源于官方渠道或开源社区，并按照其许可协议合法安装与使用。
研究过程中严格遵循学术诚信和实验可复现性要求，确保所有实验数据、训练过程与结果均可在相同环境下被重复验证，符合科研规范与工程实践标准。
（2）版权声明：
本算法改进中涉及的文字、图片、表格、程序代码及实验数据，除特别注明外，均由2zcode.Bob独立完成。未经2zcode官方书面许可，任何单位或个人不得擅自复制、传播、修改、转发或用于商业用途。如需引用本研究内容，请遵循学术规范，注明出处，并不得歪曲或误用相关结论。
本研究所使用的第三方开源工具、框架及数据资源均已在文中明确标注，并严格遵守其相应的开源许可协议。使用过程中无违反知识产权相关法规，且全部用于非商业性学术研究用途。
评论(0)