脑肿瘤MRI 4分类检测-平芜编程栈

一、系统功能介绍

图像分类系统是一套面向脑肿瘤 MRI 图像的本地化 AI 检测工具，支持单张图像快速检测和整文件夹批量检测，全部推理在本地完成，不需要联网，不需要 GPU。

核心功能

单图检测：点击“上传图像并检测”，选择一张 MRI 图像，界面左侧显示缩略图，右侧显示预测类别和置信度。
批量检测：点击“批量检测”，选择包含图像的文件夹，系统自动扫描文件夹内所有 png / jpg / jpeg / bmp / tif / tiff 图像，逐张推理。
实时进度：批量检测过程中，进度条显示87% (104/120)这样的实时进度，结果表格逐行刷新，每张图的文件名、预测类别、置信度即时可见。
类别统计：批量检测过程中实时统计每个类别出现的数量和占比，检测完成后在界面顶部显示汇总，例如：
text
```
已检测 120 张 | glioma: 30 (25.0%) meningioma: 28 (23.3%) notumor: 35 (29.2%) pituitary: 27 (22.5%)
```
结果导出：点击“保存结果”，将全部检测明细和类别统计导出为 UTF-8 编码的 txt 文件，包含序号、文件名、预测类别、置信度，以及类别统计汇总。

支持的类别

系统默认支持四分类：glioma（胶质瘤）、meningioma（脑膜瘤）、notumor（无肿瘤）、pituitary（垂体瘤）。如果买家有自己的四分类模型，替换模型文件即可，界面和导出格式不变。

运行环境

操作系统：Windows 10 / 11 64 位
无需 GPU，纯 CPU 推理
无需安装 Python、PyTorch、OpenCV，所有依赖已打包进动态链接库
双击 exe 即可运行，模型文件和 DLL 放在同目录

性能参考

在普通笔记本 CPU 上，单张 224×224 MRI 图像推理耗时约 20–50 ms，批量检测 1000 张图像约 1–2 分钟（取决于 CPU 性能）。具体数值随硬件不同会有浮动。

二、训练方法

模型基于 PyTorch 训练，使用自定义 CNN 架构，训练脚本和数据划分方式全部交付。

数据集

使用公开的脑肿瘤 MRI 数据集，包含 Training 和 Testing 两个文件夹，每个文件夹下按类别分为四个子目录。训练时把两个文件夹合并，在内存中按 9:1:1 重新划分为训练集、验证集、测试集。

数据预处理

训练增强只做几何变换：RandomResizedCrop(224)、RandomHorizontalFlip()、RandomRotation(15)，不做颜色抖动，避免改变 MRI 的灰度特征。
验证和测试统一使用Resize(256) + CenterCrop(224)。
全部图像按 ImageNet 统计量标准化：mean=[0.485, 0.456, 0.406]，std=[0.229, 0.224, 0.225]。

模型结构

五层卷积 + 全连接分类器：

text

Conv2d(3, 32) + BN + ReLU + MaxPool Conv2d(32, 64) + BN + ReLU + MaxPool Conv2d(64, 128)+ BN + ReLU + MaxPool Conv2d(128,256)+ BN + ReLU + MaxPool Conv2d(256,512)+ BN + ReLU + MaxPool AdaptiveAvgPool2d(1) -> Flatten -> Dropout(0.5) Linear(512, 256) -> ReLU -> Dropout(0.3) -> Linear(256, 4)

训练配置

优化器：Adam，初始学习率 0.001
学习率调度：StepLR，每 7 个 epoch 乘以 0.1
损失函数：CrossEntropyLoss
Batch size：32
Epoch：20
随机种子固定为 42，保证划分可复现

训练流程

每个 epoch 结束后打印训练损失、训练准确率、验证损失、验证准确率、当前学习率。验证准确率创新高时保存最佳权重。训练完成后加载最佳权重，在测试集上评估整体准确率和每个类别的准确率。

模型导出

训练完成后导出 CPU 版 TorchScript 模型，供 C++ 端 LibTorch 加载：

python

model.eval() model = model.to('cpu') example_input = torch.rand(1, 3, 224, 224, dtype=torch.float32, device='cpu') with torch.no_grad(): traced_model = torch.jit.trace(model, example_input) traced_model = torch.jit.freeze(traced_model) traced_model.save("model_4classes.pt")

导出后有一段验证代码，对比原模型和导出模型在同一输入下的输出差异，确保导出无损。

三、技术栈介绍

训练端

Python 3.x
PyTorch + TorchVision
数据加载用ImageFolder+ConcatDataset+ 自定义TransformSubset
模型导出用torch.jit.trace+torch.jit.freeze

推理端

C++ 17
LibTorch（PyTorch C++ 版），CPU 推理
OpenCV，图像读取和预处理
Visual Studio 2022，编译为动态链接库

推理 DLL 的设计

推理部分封装为ClsInferenceModel类，采用 Pimpl 模式，头文件完全不包含 LibTorch 和 OpenCV，调用方不需要安装这两个库。DLL 对外只暴露：

构造函数：传入模型路径和设备选项
predict(imagePath, confidence)：返回类别索引和置信度
isValid()、getClassCount()、getClassNames()、getLastError()、reload()

内部用互斥锁保护forward()，保证多线程调用安全。所有 LibTorch 和 OpenCV 的依赖都锁在.cpp里，不会和调用方的库发生冲突。

界面端

Qt 6（Qt Widgets）
批量推理放到独立QThread中执行，通过 Qt 信号槽把每张图的结果实时发回主线程
进度条、结果表格、统计标签随结果实时刷新，界面不卡顿
表格支持失败行标红，便于快速定位读取失败的图像
结果导出为 UTF-8 编码的 txt，兼容中文文件名

部署结构

text

ImageClassificationSystem/ ├── ImageClassificationSystem.exe ├── ClsInferenceDLL.dll ├── model_4classes.pt ├── Qt6Core.dll / Qt6Gui.dll / Qt6Widgets.dll ├── platforms/qwindows.dll ├── torch.dll / torch_cpu.dll / c10.dll / ... └── opencv_world4xx.dll

全部依赖打包后可直接拷贝到其他 Windows 电脑运行，不需要安装 Python、CUDA 或 Visual Studio 运行时（VC++ 运行库建议随包附带）。