本科毕业设计答辩-黑色素瘤影像分割系统.pptx

黑色素瘤影像分割系统SegmentationSystemofMelanomaImage班级：计算机科学与技术三班指导老师：Xx姓名：Xxx毕业设计答辩题背景详细设计结果展示设计总结

01选题背景02详细设计03结果展示04设计总结

选题背景详细设计结果展示总结设计阶段ⅠⅡⅢⅣ患者存活率94%44%38%4.6%在我国，能正确识别黑色素瘤常见部位的医师仅43.1%P2-P3背景介绍

01选题背景02详细设计03结果展示04设计总结

选题背景详细设计结果展示设计总结P7-P8系统总体软件结构图

选题背景详细设计结果展示设计总结分类的数据集选自HAM10000图像数据集数据集中的皮肤镜图像已经在亮度、颜色、分辨率等方面进行了归一化处理。超过50%的病例已通过病理学证实，其余病例的诊断基于皮肤科医生共识。P12测试集训练集黑色素黑色素类数据集

选题背景详细设计结果展示设计总结分割的数据集选自2017年ISIC组织举办的公开挑战赛数据集P12-P13测试集训练集黑色素瘤影像/掩膜6001979分割数据集

选题背景详细设计结果展示设计总结P13-P14数据集预处理

选题背景详细设计结果展示设计总结P14-P15分类模型建立ResNet的关键思想是通过引入残差连接（residualconnection）解决了深层网络训练中的梯度消失和梯度爆炸问题。传统的深层网络会遇到难以优化的问题，因为在反向传播过程中，梯度在每一层都会逐渐减小，导致训练难度加大。而ResNet通过跳跃连接将每一层权重层输入直接与输出相加，使得模型可以直接学习残差函数，从而更容易地优化和训练深层网络。

选题背景详细设计结果展示设计总结P15-P16分类模型建立初始的特征提取和下采样提取图像的低级和中级特征进一步提取图像的中级特征能够提取图像的高级特征能够更好地捕捉图像的语义信息和高级特征

选题背景详细设计结果展示设计总结P16-P17分割模型建立U-Net的网络结构是一种对称的U形结构，由一个编码器（下采样路径）和一个解码器（上采样路径）组成。编码器部分用于逐步提取图像特征并减小分辨率，而解码器部分用于通过上采样将低分辨率特征映射恢复到原始图像分辨率，并生成分割结果。为了保留更多的细节信息，U-Net引入了跳跃连接，将编码器中的特征图与解码器中对应的特征图进行连接。这样做的好处是可以在解码器中融合来自不同层级的特征信息，从而提高分割结果的准确性。

选题背景详细设计结果展示设计总结P18-P21分类模型训练

选题背景详细设计结果展示设计总结P22-P23提取类激活图

选题背景详细设计结果展示设计总结P24-P25分割模型训练

选题背景详细设计结果展示设计总结P25-P26分割模型训练真实掩膜与预测掩膜IoU分别为：0.9472、0.9346、0.8816。

选题背景详细设计结果展示设计总结P26-P29分类模型测试准确率精确率召回率F1分数AccuracyPrecisionRecallF1score测试集0.84690.86120.83750.846训练集0.8660.8640.86710.8658TPTNFPFN测试集14991539240282训练集46334609732702

选题背景详细设计结果展示设计总结P26-P29分类模型测试

选题背景详细设计结果展示设计总结P29-P30分割模型测试模型在测试集上平均IoU为0.5946；在训练集上平均IoU为0.6798。

选题背景详细设计结果展示设计总结P30系统界面设计

01选题背景02详细设计03结果展示04设计总结

选题背景详细设计结果展示设计总结

01选题背景02详细设计03结果展示04设计总结

选题背景详细设计结果展示设计总结P33本设计在了解、阅读前人的工作后，分类模型采用ResNet50，分割模型采用U-Net，使用PyTorch深度学习框架训练、评估和测试模型，并用Wandb记录相关数据，最后使用轻量级PythonWeb开发框架Flask搭建用户界面。观察本设计分类、分割模型的评估结果，可以看到模型的精度并不优秀，原因可能是数据集质量不高或模型对该问题的适配性不强，因此对于后续的改进可以从这两点出发：1、获取更多质量高、标注精确的数据集，以及对数据集进行图像增强提高整体质量；2、尝试更多专注于医学影像分类、分割的模型，并对比实现原理与结果。

请各位老师批评指正IWASWONDERINGIFICOLUDHAVESOMEFEEDBACKS