pytorch医学成像膝关节炎检测CT图像分类识别+pyqt5界面设计

1 数据说明

本项目的数据集用于膝关节炎的检测和分类，包含高分辨率的医学成像和专家注释（查找开放数据集和机器学习项目 |卡格尔 (kaggle.com)）。数据集分为五个阶段的图像：正常、可疑、轻度、中度和重度关节炎。具体数据集目录结构如下：

./Training
    /0Normal
    /1Doubtful
    /2Mild
    /3Moderate
    /4Severe

每个子目录分别存放不同阶段的膝关节CT图像。数据集提供了膝关节不同病变程度的详细图像，这些图像是由专业医生注释和分类的，确保了数据的可靠性和准确性。通过对这些图像进行分类训练，可以帮助构建出一个高效的膝关节炎检测模型，以便在临床中进行辅助诊断。数据集中包含的大量图像样本为模型的训练和验证提供了充足的数据支持，保证了模型在实际应用中的泛化能力和鲁棒性。 

2 模型构建训练

2.1 DenseNet模型

DenseNet，即密集连接卷积网络，是由Huang等人在2017年提出的一种深度卷积神经网络。DenseNet通过引入密集连接来缓解深层网络训练中的梯度消失问题，并实现了更高的参数效率。具体来说，DenseNet中的每一层都直接连接到其后面的每一层，这样可以确保特征和梯度的直接流动，避免信息的丢失。此外，DenseNet通过复用前层的特征来减少参数数量，提高计算效率。该模型在多个图像分类任务中取得了优异的性能。

模型构建实现：在构建DenseNet模型时，我们选择了DenseNet-121这一变体，其具有较少的参数量和较高的计算效率。我们对模型的最后一个全连接层进行了调整，使其输出为五个类别，分别对应正常、可疑、轻度、中度和重度膝关节炎。模型使用PyTorch框架实现，加载预训练权重以加速训练过程。

import torch.nn as nn
import torch.optim as optim
from torchvision import models
from torch.optim import lr_scheduler

# 使用GPU进行训练
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 定义DenseNet模型
densenet_model = models.densenet121(pretrained=True)
num_ftrs = densenet_model.classifier.in_features
densenet_model.classifier = nn.Linear(num_ftrs, len(classes))
densenet_model = densenet_model.to(device)

# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(densenet_model.parameters(), lr=0.001)
scheduler = lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)

# 训练DenseNet模型
def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    train_loss = []
    train_acc = []
    for epoch in range(num_epochs):
        model.train()
        running_loss = 0.0
        running_corrects = 0
        for inputs, labels in train_loader:
            inputs = inputs.to(device)
            labels = labels.to(device)
            optimizer.zero_grad()
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            loss.backward()
            optimizer.step()
            _, preds = torch.max(outputs, 1)
            running_loss += loss.item() * inputs.size(0)
            running_corrects += torch.sum(preds == labels.data)
        scheduler.step()
        epoch_loss = running_loss / train_size
        epoch_acc = running_corrects.double() / train_size
        train_loss.append(epoch_loss)
        train_acc.append(epoch_acc.cpu().numpy()
        print(f'Epoch {epoch}/{num_epochs - 1}, Loss: {epoch_loss:.4f}, Acc: {epoch_acc:.4f}')
    return model, train_loss, train_acc

densenet_model, densenet_train_loss, densenet_train_acc = train_model(densenet_model, criterion, optimizer, scheduler)

DenseNet模型在训练过程中表现出稳定的性能提升。训练初期（第0至第4轮次），损失迅速下降，准确率逐步上升。特别是在第8轮次后，损失大幅