本发明涉及医疗诊断，具体地说，涉及基于卷积神经网络的上皮细胞癌计算机辅助诊断系统。
背景技术：
1、基于卷积神经网络的上皮细胞癌计算机辅助诊断系统是利用深度学习和图像处理技术来辅助上皮细胞癌的早期诊断和治疗计划的工具，使用残差网络与se注意力机制相结合技术和yolo目标检测算法与cbam注意力机制相结合技术以及其他先进技术实现一个辅助医生诊断患者是否患有上皮细胞癌的系统软件。
2、在现有的医学图像分析系统中，往往依赖于传统的图像处理方法进行病变检测，且这些方法在处理复杂的医学图像时，特别是在区分良性与恶性肿瘤方面，准确性和灵敏度有限，因此，设计基于卷积神经网络的上皮细胞癌计算机辅助诊断系统。
技术实现思路
1、本发明的目的在于提供基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，以解决上述背景技术中提出的传统的图像处理方法在处理复杂的医学图像时，特别是在区分良性与恶性肿瘤方面，准确性和灵敏度有限的问题。
2、为实现上述目的，本发明目的在于提供了基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，包括：模型选择单元，所述模型选择单元用于根据医生的需求选择合适的模型，并对用户上传的医学图像进行下一步图像分析；
3、其中，模型选择单元包括图形分类模块和目标检测模块；
4、还包括数据预处理单元(2)，所述数据预处理单元(2)用于对医生上传的相应医学图像进行标准化处理和数据增强操作，用于提高图像的可视性和对比度、减少噪声影响，通过标准化将图像调整到统一的尺寸和强度范围；
5、还包括分析与诊断单元(3)，所述分析与诊断单元(3)将处理完成的图像进行进一步的分析与诊断；其中，分析与诊断单元(3)包括分析模块和诊断模块；
6、所述，分析模块用于调用图形分类模块，所述图形分类模块用于诊断患者是否患病；诊断模块用于调用目标检测模块，所述目标检测模块用于标注病变或异常区域；
7、还包括用户界面单元(4)，所述用户界面单元(4)是利用qt框架所实现，其功能包括医生选择模型、提供拖拽上传医学图像和文件夹输入的方法上传医学图像，在图像由分析与诊断单元(3)分析完成后，系统会在用户界面上显示诊断结果以及其他信息。
8、作为本技术方案的进一步改进，所述图形分类模块集成有imageclassification模型，所述imageclassification模型基于图像分类算法用于对医学图像进行分类，用于识别图像中是否存在上皮细胞癌特征，以及癌症的严重程度；
9、其中，所述图像分类算法由se注意力机制对残差网络resnet18架构进行改进得到，是一种使用多层神经网络进行深度学习的技术，通常使用卷积神经网络cnn进行图像分类，抽象出底层的运算并训练深度学习算法的过程；图像分类算法包括以下几个组成部分：
10、s1、神经元：神经网络的基本单位是人工神经元，其具有类似生物神经元的功能，可以接收多个输入，并将它们组合在一起，得到一个输出结果；
11、s2、卷积层：卷积层是卷积神经网络的核心层，其是一种特殊的图像处理层，用于特征提取和模型训练由多个神经元组成；
12、s3、激活函数：激活函数是网络的核心，包括sigmoid函数、tanh函数、relu函数；
13、s4、权重：权重又称为参数，是神经网络中最重要的参数；
14、s5、误差反向传播：误差反向传播是一种用于计算神经网络权重和参数的算法；
15、s6、池化层：池化层是一种特殊的神经网络层，根据滑动窗口将输入特征映射到输出特征，把特征映射到一个更低维度的空间，包括maxpooling和averagepooling。
16、其中，所述imageclassification模型结合了resnet18架构和se注意力机制，通过深度特征学习和通道权重调整，进行医学图像的分类以辅助医疗专业人员诊断疾病上皮细胞癌，其作用包括特征提取、深度特征学习、引入se注意力机制和分类输出；
17、其中，所述残差网络resnet18架构通过卷积层和池化层的层叠使用，使得imageclassification模型能够从输入的医学图像中自动提取低层到高层的特征，利用提取到的特征，模型通过全连接层将高维特征映射到预定的类别标签上，其所涉及的数学模型表达式为：
18、残差学习公式：f(x)+x；
19、其中，x为残差块的输入；f(x)为残差函数，包括两个卷积操作，每个卷积操作后面接批量归一化和relu激活函数；
20、relu激活函数：f(x)＝max(0,x)；
21、其中，relu函数f(x)是在卷积层后使用的非线性激活函数；
22、其中，所述特征提取是图像分类模型首先使用一个卷积层来提取输入图像的基本特征，之后初始卷积层，maxpool层用于降低特征图的空间维度，并突出重要的特征，这有助于减少计算量；
23、其中，所述深度特征学习为模型通过多个基础模块进一步学习深层特征，每个基础模块包含两个卷积层包括conv1和conv2，两个bn层包括bn1和bn2，以及relu激活函数；
24、其中，所述引入se注意力机制为在每个基础模块后通过全局平均池化操作avgpool来压缩空间特征，然后通过两个全连接层fc，一个relu激活函数和一个sigmoid激活函数来学习每个通道的重要性权重；学到的权重通过scale操作应用于原始的特征图上，这有助于强化网络对更有信息特征通道的关注，从而提升分类性能；
25、其中，所述分类输出是全局平均池化层avgpool将特征图的空间维度压缩到一个向量，然后通过全连接层fc输出最终的分类结果。
26、作为本技术方案的进一步改进，所述se注意力机制对残差网络resnet18架构改进中所涉及到的数学模型表达式为：
27、squeeze操作：
28、其中，zc代表对第c个通道进行全局平均池化后的结果，是一个压缩后的通道描述符；h代表输入特征图的高度；w代表输入特征图的宽度；xijc代表输入特征图在位置(i,j)上第c个通道的特征值；
29、excitation操作：s＝σ(w2δ(w1z))；
30、其中，s代表每个通道经过激发步骤后学习到的重要性权重；表示sigmoid激活函数，σ表示sigmoid激活函数；δ表示relu激活函数；w1和w2代表全连接层中的权重矩阵；
31、scale操作：
32、其中，代表调整后的特征图；sc代表第c个通道的重要性权重；xijc代表原始特征图。
33、作为本技术方案的进一步改进，所述目标检测模块集成有objectdetection模型，所述objectdetection模型是基于cbam模块的yolov8目标检测技术，其用于在医学图像中准确地识别和定位癌变区域；
34、objectdetection模型具体是将cbam模块集成在yolov8的卷积神经网络结构中，通过cbam模块，yolov8模型能够在通道和空间两个维度上强化关键的特征，并抑制不相关的特征；
35、其中，yolov8的特征提取和预测所涉及的数学表达式如下：将输入的图像分为s×s个网格，每个网格预测b个边界框和对应的置信度pobject；
36、计算边界框坐标：(bx，by，bw，bh)＝(σ(tx)+cx，σ(ty)+cy，pwexp(tw)，phexp(th))；
37、其中，σ是sigmoid函数；(bx，by，bw，bh)是模型预测的边界框属性；(cx，cy)是网格单元的左上角坐标；(pw，ph)是预定义的锚点尺寸。
38、作为本技术方案的进一步改进，所述基于cbam模块的yolov8目标检测所涉及的数学表达式如下：
39、通道注意力：f′＝mc(f)⊙f；
40、空间注意力：f″＝ms(f′)⊙f′；
41、mc和mc是通过cbam计算的通道和空间注意力图，表示为：
42、mc(f)＝σ(mlp(avgpoll(f))+mlp(maxpoll(f)))；
43、ms(f′)＝σ(f7×7([avgpoll(f)；maxpoll(f)]))；
44、其中，f代表输入到cbam模块的特征图；f′表示经过通道注意力调整后的特征图；f″表示经过空间注意力调整后的特征图；mc(f)代表通道注意力图；ms(f′)代表空间注意力图；σ代表sigmoid激活函数；mlp代表多层感知器；avgpoll(f)代表平均池化操作；maxpoll(f)代表最大池化操作。
45、作为本技术方案的进一步改进，所述数据预处理单元(2)包括标准化处理模块和数据增强模块；
46、其中，所述标准化处理模块将所有输入图像调整到相同的大小和尺度，保证模型接收到的数据具有统一的维度和分辨率将图像的像素值标准化，在对医学图像进行标准化处理过程中所涉及的数学模型表达式如下：
47、尺度归一化：inormalized＝resize(i，new_size)；
48、强度标准化：
49、其中，inormalized表示经过尺度归一化后的图像；iscaled表示经过强度标准化后的图像；i为原始输入图像；min(i)表示图像中所有像素值的最小值；max(i)表示图像中所有像素值的最大值；new_size表示标准化处理后图像的新尺寸。
50、作为本技术方案的进一步改进，所述数据增强模块进一步对图像进行几何变换和颜色空间转换操作，在对医学图像进行数据增强过程中所涉及的数学模型表达式如下：
51、旋转：irotated＝rotate(i，θ)；
52、平移：itranslated＝translate(i，(tx，ty))；
53、缩放：iscaled＝scale(i，α)；
54、其中，irotated表示经过旋转处理后的图像；itranslated表示经过平移处理后的图像；iscaled表示经过缩放处理后的图像；θ表示旋转操作中用到的旋转角度；tx，ty表示平移操作中沿x轴和y轴的平移距离；α表示缩放操作中用到的缩放因子。
55、作为本技术方案的进一步改进，所述分析模块用于调用图形分类模块，通过imageclassification模型判断医学图像是否显示出上皮细胞癌的特征，以及评估癌症的严重程度，诊断模块用于调用目标检测模块，通过objectdetection模型精确地标注出图像中疑似癌症的位置。
56、作为本技术方案的进一步改进，所述用户界面单元(4)包括模型选择模块、图像上传模块和可视化处理结果模块；
57、其中，模型选择模块提供下拉菜单和图标按钮使得用户选择不同的图像分析模型；图像上传模块支持通过拖拽和文件上传方式上传图像；可视化处理结果模块用于展示图像处理和分析的结果，标注病变区域的图像和分类结果。
58、与现有技术相比，本发明的有益效果：
59、1、该基于卷积神经网络的上皮细胞癌计算机辅助诊断系统中，通过将残差网络与se注意力机制相结合，可以提高图像分类的准确性和灵敏度，不仅利用了残差网络强大的特征提取能力，而且通过se注意力机制的引入，能够让网络更加关注于图像中的关键特征，如肿瘤的大小、形状和纹理等，从而在诊断患者是否患病及患病程度上更加准确和细致。
60、2、该基于卷积神经网络的上皮细胞癌计算机辅助诊断系统中，通过将yolo目标检测算法与cbam注意力机制相结合，可以提升对病变或异常区域的标注精度，yolo算法的高速检测能力结合cbam的通道和空间注意力优化，使得系统不仅能快速地识别出图像中的潜在病变区域，还能通过注意力机制的精细调节，改善对小病变或在复杂背景中的异常区域的检测效果，从而大大提高了病变检测的准确性和效率。
1.基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：包括：
2.根据权利要求1所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述图形分类模块集成有imageclassification模型，所述imageclassification模型基于图像分类算法用于对医学图像进行分类，用于识别图像中是否存在上皮细胞癌特征，以及癌症的严重程度；
3.根据权利要求2所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述se注意力机制对残差网络resnet18架构改进中所涉及到的数学模型表达式为：
4.根据权利要求1所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述目标检测模块集成有objectdetection模型，所述objectdetection模型是基于cbam模块的yolov8目标检测技术，其用于在医学图像中准确地识别和定位癌变区域；
5.根据权利要求4所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述基于cbam模块的yolov8目标检测所涉及的数学表达式如下:
6.根据权利要求1所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述数据预处理单元(2)包括标准化处理模块和数据增强模块；
7.根据权利要求1所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述数据增强模块进一步对图像进行几何变换和颜色空间转换操作，在对医学图像进行数据增强过程中所涉及的数学模型表达式如下：
8.根据权利要求1所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述分析模块用于调用图形分类模块，通过imageclassification模型判断医学图像是否显示出上皮细胞癌的特征，以及评估癌症的严重程度，诊断模块用于调用目标检测模块，通过objectdetection模型精确地标注出图像中疑似癌症的位置。
9.根据权利要求1所述的基于卷积神经网络的上皮细胞癌计算机辅助诊断系统，其特征在于：所述用户界面单元(4)包括模型选择模块、图像上传模块和可视化处理结果模块；
