基于深度学习的乳腺X光片（Mammography）微钙化良恶性分类诊断系统。采用 EfficientNet-B3 预训练模型结合 集成学习 策略，针对 DDSM 乳腺X光数据集进行三分类诊断。
利用深度学习与计算机视觉技术，辅助放射科医生对乳腺X光片中的微钙化区域进行良恶性判断，降低漏诊率，提高诊断精准率。
- DICOM 医学影像处理：直接读取
.dcm格式乳腺X光片，自动进行 CLAHE 对比度增强 - 多模型集成学习：同时训练 3 个不同骨干网络（EfficientNet-B3/B4 等），通过 SWA（随机权重平均）和投票机制融合判断
- Focal Loss 损失函数：有效缓解良性/恶性样本的严重类别不平衡问题
- 加权随机采样（WeightedRandomSampler）：训练阶段动态平衡各类别样本比例
- MixUp 数据增强：在特征空间中混合训练样本，提升模型泛化能力
- 可视化分析：自动生成混淆矩阵、训练曲线、多指标对比等可视化图表
- 定期检查点保存：每 5/10 轮保存模型权重，支持断点续训
输入 (.dcm DICOM影像)
↓
CLAHE 对比度增强 + Albumentations 数据增强
↓
EfficientNet-B3/B4 特征提取（timm 预训练权重）
↓
自定义分类头（FC → ReLU → Dropout → FC → Dropout → FC）
↓
Focal Loss + AdamW + 余弦退火学习率
↓
多模型集成 (SWA + 投票融合)
↓
输出: BENIGN / MALIGNANT / BENIGN_WITHOUT_CALLBACK
使用 CBIS-DDSM（Curated Breast Imaging Subset of DDSM）数据集，包含三个类别：
| 类别 | 说明 |
|---|---|
| BENIGN | 良性 |
| MALIGNANT | 恶性 |
| BENIGN_WITHOUT_CALLBACK | 无需回访的良性 |
数据集需按以下目录结构组织：
完美data/
├── 训练集/
│ ├── BENIGN/
│ ├── MALIGNANT/
│ └── BENIGN_WITHOUT_CALLBACK/
└── 测试集/
├── BENIGN/
├── MALIGNANT/
└── BENIGN_WITHOUT_CALLBACK/
- 图像预处理增强：使用 CLAHE 算法增强乳腺X光片对比度，输入尺寸 320×320，结合垂直翻转、仿射变换等增强
- 类别不平衡处理：加权采样 + Focal Loss（γ=2）联合策略
- 模型改进：EfficientNet-B3 替代 ResNet50，添加多层 Dropout 防止过拟合
- 训练策略优化：AdamW 优化器 + 权重衰减 + 余弦退火学习率调度 + 混合精度训练
pip install -r requirements.txtpython breast_cancer_classification.py程序运行完成后输出：
- 测试集 准确率、精准率、召回率、F1 分数
confusion_matrix.png— 混淆矩阵可视化training_curves.png— 训练/验证损失与准确率曲线validation_metrics.png— 验证集精准率/召回率/F1 分数曲线model_comparison.png— 多模型性能对比
- 乳腺X光片辅助诊断研究
- 医学影像深度学习方法验证
- 类别不平衡问题的解决方案参考
- 多模型集成学习实践
| 组件 | 技术 |
|---|---|
| 深度学习框架 | PyTorch |
| 预训练模型 | timm (EfficientNet-B3/B4) |
| 医学影像 | pydicom |
| 数据增强 | Albumentations、torchvision |
| 图像处理 | OpenCV、scikit-image |
| 可视化 | Matplotlib |
| 评估指标 | scikit-learn |
.
├── breast_cancer_classification.py # 主程序（数据处理+模型定义+训练+评估）
├── requirements.txt # 项目依赖
├── README.md # 项目说明
├── LICENSE # MIT 开源协议
├── confusion_matrix.png # 混淆矩阵可视化
├── ensemble_confusion_matrix.png # 集成模型混淆矩阵
├── training_curves.png # 训练曲线
├── validation_metrics.png # 验证指标曲线
└── model_comparison.png # 模型对比图
MIT 许可证