# MediScreen-Brain 项目完整说明文档 ## 📋 目录 - [项目概述](#项目概述) - [核心功能](#核心功能) - [技术架构](#技术架构) - [系统模块](#系统模块) - [使用指南](#使用指南) - [文件结构](#文件结构) - [依赖环境](#依赖环境) - [应用场景](#应用场景) - [输出格式](#输出格式) - [注意事项](#注意事项) --- ## 项目概述 **MediScreen-Brain** 是一款基于 YOLO 深度学习模型的脑肿瘤检测系统，专为医疗影像分析设计。该系统提供图形化用户界面（GUI），支持多种医学影像格式的实时检测和批量处理，能够自动识别脑部 MRI 图像中的肿瘤区域，并生成详细的诊断报告。 ### 主要特点 - 🎯 **高精度检测**：基于 YOLO 目标检测算法，准确识别脑肿瘤位置 - 🖥️ **友好界面**：现代化渐变 UI 设计，操作简便直观 - 📊 **多格式支持**：支持 NIfTI (.nii/.nii.gz)、DICOM、常见图片格式 - 🔄 **实时监控**：支持多摄像头实时监测和录像 - 📈 **批量处理**：支持文件夹批量检测，提高工作效率 - 📝 **报告导出**：自动生成 PDF/Excel 格式的诊断报告 - 💾 **历史记录**：自动保存检测和监控快照，支持回放 --- ## 核心功能 ### 1. 实时检测 (Real-time Detection) #### 功能描述 对单张图片、视频文件或摄像头进行实时脑肿瘤检测，即时显示检测结果和统计信息。 #### 支持源类型 - 📷 **单张图片**：JPG, JPEG, PNG, BMP, TIFF, WEBP - 🎬 **视频文件**：MP4, AVI, MOV, MKV, WMV, FLV - 📹 **摄像头**：支持多摄像头切换和实时检测 - 🧠 **NIfTI 文件**：专业的医学影像格式 (.nii, .nii.gz) #### 检测流程 1. 选择检测模型（支持 .pt 和 .onnx 格式） 2. 设置置信度阈值（0.01-1.0） 3. 选择检测源（图片/视频/摄像头/NIfTI） 4. 点击"开始检测" 5. 查看实时检测结果和统计数据 #### 结果显示 - 原始图像与检测结果对比显示 - 检测目标数量、类别分布 - 置信度范围及平均值 - 肿瘤直径估算（像素单位） - 肿瘤面积估算（像素²） --- ### 2. NIfTI 医学影像检测 #### 功能描述 专门针对脑部 MRI 的 NIfTI 格式文件进行三维空间检测，提供三视图（轴位、矢状位、冠状位）分析和详细测量数据。 #### 检测步骤 1. 加载 NIfTI 文件 (.nii 或 .nii.gz) 2. 系统自动定位最佳肿瘤切片 3. 提取三个正交平面的关键切片 4. 使用专用模型进行肿瘤检测 5. 计算肿瘤尺寸和体积 #### 三视图显示 - **Axial (轴位)**：水平切面视图 - **Sagittal (矢状位)**：侧面切面视图 - **Coronal (冠状位)**：正面切面视图 #### 测量指标 - 每个视图中肿瘤的最大直径（mm） - 肿瘤截面积（mm²） - 估算肿瘤体积（mm³） - 肿瘤中心坐标 #### 交互功能 - **选择目标**：显示带标注框的检测结果 - **移除标注**：显示原始无标注图像 - **导出报告**：生成包含三视图的 PDF 诊断报告 --- ### 3. 批量检测 (Batch Detection) #### 功能描述 对整个文件夹中的图片进行批量自动化检测，适合大规模数据处理和统计分析。 #### 操作流程 1. 选择"批量文件夹"模式 2. 选择包含图片的文件夹 3. 系统自动扫描所有支持的图片格式 4. 逐张处理并记录检测结果 5. 生成批量检测报告 #### 结果导航 - ⬅️ 上一张 / ➡️ 下一张：浏览检测结果 - 显示当前索引（如 5/100） - 每张图片的详细检测信息 #### 批量报告 系统生成两种格式的报告： **TXT 文本报告** (`detection_report.txt`) - 处理时间和参数设置 - 每张图片的检测详情 - 类别分布统计 - 直径和面积数据 **Excel 电子表格** (`detection_report.xlsx`) - **Detection Results 工作表**： - 序号、文件名 - 检测目标数、推理时间 - 置信度、类别分布 - 最大直径、总面积 - **Summary 工作表**： - 处理时间、置信度阈值 - 图片总数、总检测目标数 - 平均推理时间 --- ### 4. 实时监控 (Real-time Monitoring) #### 功能描述 支持多摄像头同时监控，适用于临床实时观察和长期监测场景。 #### 监控特性 - 📹 **多摄像头支持**：最多同时监控 4 个摄像头 - 🖥️ **动态布局**：根据摄像头数量自动调整网格布局（1×1, 1×2, 2×2） - ⏸️ **暂停/继续**：可单独或批量控制摄像头状态 - 📊 **实时统计**：显示检测数量和系统时间 #### 控制面板 - **启动全部**：同时启动所有选中摄像头 - **暂停全部**：暂停/继续所有摄像头 - **停止全部**：停止所有摄像头线程 - **清空画面**：清除所有显示内容 #### 摄像头管理 - 自动扫描可用摄像头 - 显示摄像头分辨率和帧率 - 支持热插拔和自动重连 --- ### 5. 监控快照 (Monitoring Snapshot) #### 功能描述 自动录制监控过程中的检测视频，保存为 MP4 格式并附带 JSON 元数据，支持后续回放和分析。 #### 录制机制 - **触发条件**：仅在检测到目标时录制 - **文件格式**：MP4 视频 + JSON 元数据 - **存储位置**：`monitor_history/` 和 `detection_history/` 目录 - **内存管理**：自动清理超出限制的旧记录（默认 500MB） #### 快照信息 JSON 文件包含： ```json { "camera_id": 0, "source_name": "Camera0", "start_time": 1234567890, "end_time": 1234567920, "fps": 20, "total_detections": 150, "detection_stats": { "tumor": 120, "lesion": 30 }, "frame_count": 600, "mp4_filename": "Camera0_1234567890.mp4", "json_filename": "Camera0_1234567890.json" } ``` #### 回放功能 - 📋 **快照列表**：按时间倒序显示所有快照 - ▶️ **播放控制**：播放、暂停、停止、进度条拖动 - 📊 **信息显示**：摄像头名称、时间、时长、检测统计 - 🗑️ **删除管理**：删除不需要的快照 - 📤 **导出功能**：导出快照到指定目录 --- ### 6. NIfTI 格式转换 #### 功能描述 将 NIfTI 格式的三维医学影像转换为二维 PNG 图片序列，便于后续处理和可视化。 #### 转换设置 - **切片方向**：Sagittal（矢状位）、Coronal（冠状位）、Axial（轴位） - **切片范围**：自定义起始和结束切片索引 - **输出目录**：自动生成（输入目录 + `_swift_normal`） #### 预览功能 - 显示 5 个代表性切片预览 - 右键菜单支持放大查看详情 - 滚轮切换切片浏览 #### 转换过程 1. 加载 NIfTI 文件 2. 选择切片方向和范围 3. 预览确认 4. 执行转换（带进度条） 5. 保存为 PNG 序列 #### 文件信息展示 - 文件大小、修改日期 - 图像维度（如 256×256×176） - 数据类型（如 float32） - 空间分辨率（体素大小） --- ### 7. 诊断报告导出 #### PDF 报告功能 系统可生成标准化的 MRI 检查报告，包含以下内容： **报告结构** 1. **标题**：MRI Examination Report 2. **基本信息表**： - 姓名、性别、年龄 - 日期、ID、科室 - 检查部位、序列、设备 3. **检测结果图像**： - 带标注框的检测图 - 三视图对比（NIfTI 模式） 4. **扫描发现 (Scan Findings)**： - 病变类型 - 可能性（置信度） - 最大直径 - 估算面积/体积 5. **诊断结论 (Diagnostic Conclusion)**： - 基于检测结果的诊断建议 - 病变性质评估 6. **诊断建议 (Diagnostic Recommendations)**： - 增强扫描建议 - 临床综合判断 - 定期随访计划 7. **注意事项 (Notes)**： - 临床症状结合 - 及时就医提醒 - 定期监测建议 8. **签名区**： - 报告医师、审核医师 - 报告时间 - 医院名称 9. **免责声明**： - 原型版本声明 - 非诊断用途说明 - 仅供医学研究 #### 字体支持 - 自动注册中文字体（微软雅黑） - 备用字体：simhei - 支持中英文混合排版 #### 打开功能 导出成功后可选择直接打开 PDF 文件（跨平台支持 Windows/macOS/Linux） --- ## 技术架构 ### 核心技术栈 | 技术 | 用途 | 版本要求 | |------|------|----------| | **Python** | 编程语言 | 3.8+ | | **PySide6** | GUI 框架 | 6.x | | **Ultralytics YOLO** | 目标检测模型 | 8.x | | **OpenCV** | 图像处理 | 4.x | | **NiBabel** | NIfTI 文件读写 | 5.x | | **NumPy** | 数值计算 | 1.21+ | | **ReportLab** | PDF 生成 | 4.x | | **OpenPyXL** | Excel 文件操作 | 3.x | | **Matplotlib** | 图像可视化 | 3.x | | **Pillow** | 图像处理 | 9.x | ### 架构设计 ``` ┌─────────────────────────────────────────┐ │ EnhancedDetectionUI │ │ (主窗口 - QMainWindow) │ ├─────────────────────────────────────────┤ │ Tab Widget (标签页管理器) │ │ ┌──────────┬──────────┬──────────┐ │ │ │ Realtime │ Batch │ Monitor │ │ │ │Detection │ Results │ │ │ │ ├──────────┼──────────┼──────────┤ │ │ │ NIfTI │ Snapshot │ NIfTI │ │ │ │Detection │ │Conversion│ │ │ └──────────┴──────────┴──────────┘ │ ├─────────────────────────────────────────┤ │ 业务逻辑层 │ │ ┌────────────┐ ┌──────────────┐ │ │ │ModelManager│ │CameraManager │ │ │ └────────────┘ └──────────────┘ │ │ ┌────────────┐ ┌──────────────┐ │ │ │ StyleMgr │ │ TumorFinder │ │ │ └────────────┘ └──────────────┘ │ ├─────────────────────────────────────────┤ │ 线程管理层 │ │ ┌──────────────┐ ┌─────────────┐ │ │ │DetectionThread│ │BatchThread │ │ │ └──────────────┘ └─────────────┘ │ │ ┌──────────────┐ ┌─────────────┐ │ │ │MonitorThread │ │CameraThread │ │ │ └──────────────┘ └─────────────┘ │ ├─────────────────────────────────────────┤ │ 数据持久层 │ │ ┌────────────┐ ┌──────────────┐ │ │ │VideoRecorder│ │SnapshotWidget│ │ │ └────────────┘ └──────────────┘ │ └─────────────────────────────────────────┘ ``` ### 关键类说明 #### 1. EnhancedDetectionUI (主窗口) - **职责**：整合所有功能模块，管理用户交互 - **主要方法**： - `init_ui()`：初始化界面 - `start_detection()`：启动检测 - `export_report()`：导出 PDF 报告 - `save_batch_results()`：保存批量结果 #### 2. ModelManager (模型管理器) - **职责**：扫描、加载和管理检测模型 - **支持格式**：.pt (PyTorch), .onnx (ONNX Runtime) - **主要方法**： - `scan_models()`：扫描模型文件 - `load_model()`：加载指定模型 #### 3. CameraManager (摄像头管理器) - **职责**：检测和管理局部摄像头设备 - **主要方法**： - `scan_cameras()`：扫描可用摄像头 - `get_available_cameras()`：获取可用摄像头列表 #### 4. DetectionThread (检测线程) - **职责**：在后台线程执行检测任务，避免界面卡顿 - **信号**： - `result_ready`：检测结果就绪 - `progress_updated`：进度更新 - `status_changed`：状态变化 - `error_occurred`：错误发生 #### 5. BatchDetectionThread (批量检测线程) - **职责**：处理文件夹中所有图片的批量检测 - **特性**：支持暂停、停止、进度追踪 #### 6. MultiCameraMonitorThread (多摄像头监控线程) - **职责**：同时管理多个摄像头的实时监控 - **特性**： - 独立帧率控制 - 自动重连机制 - 暂停/恢复支持 #### 7. TumorSliceFinder (肿瘤切片查找器) - **职责**：在 NIfTI 三维数据中定位最佳肿瘤切片 - **算法**：分层搜索策略，快速定位肿瘤区域 #### 8. DetectionVideoRecorder (检测录像器) - **职责**：录制检测过程的视频快照 - **输出**：MP4 视频 + JSON 元数据 #### 9. SnapshotWidget (快照组件) - **职责**：管理和回放已保存的监控快照 - **功能**：列表显示、视频播放、信息管理 --- ## 系统模块 ### 模块一：用户界面模块 #### 样式管理器 (StyleManager) 提供统一的现代化 UI 样式： - 渐变色背景 - 圆角按钮和控件 - 悬停效果和动画 - 响应式布局 #### 主界面布局 ``` ┌──────────────────────────────────────────────────┐ │ 标题栏: MediScreen-Brain Tumor Detection System │ ├──────────────┬───────────────────────────────────┤ │ 左侧控制面板 │ 右侧显示区域 │ │ (450px) │ (自适应) │ │ │ │ │ ┌──────────┐ │ ┌─────────────────────────┐ │ │ │模型配置 │ │ │ │ │ │ └──────────┘ │ │ 标签页显示区域 │ │ │ ┌──────────┐ │ │ │ │ │ │检测源配置 │ │ │ • 实时检测 │ │ │ └──────────┘ │ │ • 批量结果 │ │ │ ┌──────────┐ │ │ • NIfTI检测 │ │ │ │检测控制 │ │ │ • 实时监控 │ │ │ └──────────┘ │ │ • 监控快照 │ │ │ ┌──────────┐ │ │ • NIfTI转换 │ │ │ │运行日志 │ │ └─────────────────────────┘ │ │ └──────────┘ │ │ └──────────────┴───────────────────────────────────┘ ``` --- ### 模块二：模型管理模块 #### 模型扫描 - 自动扫描以下目录： - `pt_models/` - `onnx_models/` - `../models/` - `weights/` - 支持自定义模型路径 #### 模型加载 ```python # PT 模型 model = YOLO("pt_models/best.pt") # ONNX 模型 model = YOLO("onnx_models/segmentation.onnx", task='detect') ``` #### 高级模型选择对话框 - 表格显示模型信息（名称、大小、修改时间、路径） - 支持自定义路径浏览 - 双击快速选择 --- ### 模块三：图像处理模块 #### 图像格式转换 - BGR ↔ RGB 颜色空间转换 - NumPy 数组 ↔ QImage 转换 - 图像缩放和抗锯齿处理 #### NIfTI 数据处理 ```python # 加载 NIfTI 文件 img = nib.load("brain_scan.nii.gz") data = img.get_fdata() # 归一化到 uint8 data = np.clip(data, 0, np.percentile(data, 99)) data = ((data - data.min()) / (data.max() - data.min()) * 255).astype(np.uint8) # 提取切片 axial_slice = data[:, :, slice_index] sagittal_slice = data[slice_index, :, :] coronal_slice = data[:, slice_index, :] ``` #### 切片预览 - 使用 Matplotlib 渲染 - 支持右键菜单放大 - 滚轮切换切片 --- ### 模块四：检测算法模块 #### YOLO 检测流程 ```python # 单张图片检测 results = model(image_path, conf=0.25, verbose=False) # 获取检测框 boxes = results[0].boxes confidences = boxes.conf.cpu().numpy() classes = boxes.cls.cpu().numpy().astype(int) xyxy = boxes.xyxy.cpu().numpy() # 绘制结果 result_image = results[0].plot() ``` #### 肿瘤测量计算 ```python # 直径计算（假设圆形） width = x2 - x1 height = y2 - y1 diameter = (width + height) / 2 # 面积计算（椭圆近似） area = 0.785 * width * height # π/4 ≈ 0.785 # 体积估算（椭球体） volume = (4/3) * π * (a/2) * (b/2) * (c/2) ``` #### 置信度分级显示 - **高置信度 (>0.8)**：绿色背景 - **中置信度 (0.5-0.8)**：黄色背景 - **低置信度 (<0.5)**：红色背景 --- ### 模块五：视频录制模块 #### CameraVideoRecorder (监控录像) ```python recorder = CameraVideoRecorder( camera_id=0, camera_name="Camera0", output_dir=Path("monitor_history"), fps=20 ) recorder.start_recording() recorder.add_frame(frame, detection_info) recorder.stop_recording() ``` #### DetectionVideoRecorder (检测录像) ```python recorder = DetectionVideoRecorder( source_name="Camera0", output_dir=Path("detection_history"), fps=20 ) ``` #### 视频编码 - 编解码器：MP4V (H.264) - 帧率：可配置（默认 20fps） - 颜色空间：RGB → BGR 转换 --- ### 模块六：报告生成模块 #### PDF 报告生成 ```python from reportlab.lib.pagesizes import A4 from reportlab.platypus import SimpleDocTemplate, Paragraph, Image, Table doc = SimpleDocTemplate("report.pdf", pagesize=A4) story = [] # 添加标题、表格、图像等元素 story.append(title) story.append(info_table) story.append(detection_image) story.append(findings_paragraph) doc.build(story) ``` #### Excel 报告生成 ```python import openpyxl from openpyxl.styles import Font, Alignment, PatternFill wb = openpyxl.Workbook() ws = wb.active ws.title = "Detection Results" # 设置表头样式 header_font = Font(bold=True, size=12, color="FFFFFF") header_fill = PatternFill(start_color="3498DB", end_color="3498DB", fill_type="solid") # 写入数据 for row_idx, result in enumerate(batch_results, 2): ws.cell(row=row_idx, column=1, value=result['file_name']) # ... 其他列 wb.save("detection_report.xlsx") ``` --- ## 使用指南 ### 快速开始 #### 1. 环境准备 ```bash # 安装依赖 pip install -r requirements.txt # 或使用 conda conda create -n mediscreen python=3.9 conda activate mediscreen pip install -r requirements.txt ``` #### 2. 模型准备 将训练好的模型文件放入以下目录之一： ``` pt_models/ ├── best.pt └── Brain_Tumor.pt onnx_models/ ├── segmentation.onnx └── Brain_Tumor.onnx ``` #### 3. 启动程序 ```bash python Brain_Tumor_detection_ui.py ``` --- ### 功能使用详解 #### 场景一：单张图片检测 1. **选择模型** - 在"模型配置"区域选择预加载模型 - 或点击"🔧"按钮选择自定义模型 2. **设置参数** - 调整置信度阈值滑块（推荐 0.25-0.65） 3. **选择检测源** - 下拉菜单选择"📷 Single Image" - 点击"📁 Select File/Folder"选择图片 4. **开始检测** - 点击"▶️ Start"按钮 - 等待检测完成 5. **查看结果** - 左侧显示原始图片 - 右侧显示标注结果 - 下方表格显示详细检测数据 6. **导出报告** - 点击"📤 Export Report"按钮 - 选择保存路径 - 自动生成 PDF 报告 --- #### 场景二：NIfTI 医学影像分析 1. **切换到 NIfTI 检测标签页** - 点击顶部标签"🧠 NIfTI Detection" 2. **加载 NIfTI 文件** - 在实时检测标签页选择"🧠 NIfTI File" - 选择 .nii 或 .nii.gz 文件 - 点击"▶️ Start"开始分析 3. **查看三视图** - Axial（轴位）：水平切面 - Sagittal（矢状位）：侧面切面 - Coronal（冠状位）：正面切面 4. **分析检测结果** - 查看检测表格中的肿瘤信息 - 关注直径、面积、置信度 5. **交互操作** - 点击"📤 Select Target"显示标注框 - 点击"❌ Remove Target"移除标注 - 点击"📤 Export Report"导出诊断报告 6. **查看详细切片** - 在 NIfTI 转换标签页加载同一文件 - 使用滚轮浏览不同切片 - 右键点击预览图放大查看 --- #### 场景三：批量文件夹处理 1. **选择批量模式** - 下拉菜单选择"📂 Batch Folder" 2. **选择文件夹** - 点击"📁 Select File/Folder" - 选择包含图片的文件夹 3. **开始批量检测** - 点击"▶️ Start" - 系统自动处理所有图片 4. **浏览结果** - 切换到"📊 Batch Results"标签页 - 使用"⬅️ Previous"和"Next ➡️"浏览 - 查看每张图片的检测详情 5. **保存结果** - 点击"💾 Save Results" - 选择保存目录 - 自动生成： - 带标注的结果图片 - TXT 文本报告 - Excel 电子表格 --- #### 场景四：多摄像头实时监控 1. **切换到监控标签页** - 点击"🖥️ Real-time Monitoring" 2. **选择摄像头** - 在摄像头列表中勾选要监控的摄像头 - 点击"🔄 Refresh"刷新设备列表 3. **选择模型** - 确保已加载检测模型 4. **启动监控** - 点击"🚀 Start monitoring" - 摄像头画面实时显示 5. **控制监控** - "⏸️ Pause"：暂停/继续监控 - "🗑️ Clear Monitor"：停止并清空 6. **启用自动录制** - 点击"🎬 Auto-save Monitoring Snapshots" - 设置帧率（推荐 20fps） - 设置内存限制（默认 500MB） - 检测到目标时自动录制 7. **查看录制快照** - 切换到"🎬 Monitoring Snapshot"标签页 - 选择快照点击"▶️ Play"回放 - 可导出或删除快照 --- #### 场景五：NIfTI 格式转换 1. **切换到转换标签页** - 点击"NIfTI Conversion" 2. **加载文件** - 点击"Browse"选择 NIfTI 文件 - 自动显示文件信息 3. **设置转换参数** - 选择切片方向（Sagittal/Coronal/Axial） - 设置切片范围（起始-结束） - 查看预览确认 4. **执行转换** - 点击"🔄 Convert" - 等待转换完成（带进度条） 5. **查看结果** - 输出目录自动生成 PNG 序列 - 文件命名：slice_0060.png, slice_0061.png... --- ### 快捷键 | 快捷键 | 功能 | |--------|------| | **F2** 或 **Ctrl+R** | 编辑窗口标题 | | **滚轮** | 在切片预览中切换切片 | | **右键点击** | 显示切片放大菜单 | --- ## 文件结构 ``` MediScreen-Brain/ │ ├── Brain_Tumor_detection_ui.py # 主程序入口（6355行） ├── batch_compare_ui.py # 批量对比工具 ├── requirements.txt # Python 依赖清单 ├── README.md # 项目简介 ├── PROJECT_DOCUMENTATION.md # 本文档 │ ├── pt_models/ # PyTorch 模型目录 │ ├── best.pt │ └── Brain_Tumor.pt │ ├── onnx_models/ # ONNX 模型目录 │ ├── segmentation.onnx │ └── Brain_Tumor.onnx │ ├── utils/ # 工具函数目录 │ ├── TumorSliceFinder.py # 肿瘤切片查找器 │ ├── YOLOONNX.py # ONNX 推理封装 │ ├── data_utils/ # 数据处理工具 │ ├── methods_ui/ # UI 方法 │ └── utils_for_data/ # 数据工具 │ ├── data_test/ # 测试数据 │ ├── 545140_swust.nii.gz │ └── MRBrainTumor2.nii.gz │ ├── monitor_history/ # 监控快照存储 │ ├── Camera0_1234567890.mp4 │ └── Camera0_1234567890.json │ ├── detection_history/ # 检测快照存储 │ ├── Camera0_1234567890.mp4 │ └── Camera0_1234567890.json │ ├── best_slices_results_batch_data2_94/ # 批量检测结果示例 │ ├── [患者ID]_[扫描ID]/ │ │ ├── comparison_reports/ │ │ ├── full_search/ │ │ └── hierarchical_search/ │ └── batch_summary/ │ ├── compares_resluts/ # 对比结果 ├── detection_history/ # 检测历史 ├── img/ # 界面截图 │ ├── 1.png │ ├── 2.png │ └── ui1.png │ ├── build/ # 打包构建目录 ├── dist/ # 分发目录 ├── .idea/ # PyCharm 配置 ├── .vscode/ # VSCode 配置 └── .gitignore # Git 忽略规则 ``` --- ## 依赖环境 ### Python 版本 - **推荐**：Python 3.9 - **最低**：Python 3.8 - **兼容**：Python 3.10, 3.11 ### 核心依赖 ```txt # 深度学习 ultralytics>=8.0.0 # YOLO 框架 torch>=1.12.0 # PyTorch torchvision>=0.13.0 # TorchVision onnxruntime>=1.12.0 # ONNX 推理引擎 # GUI 框架 PySide6>=6.4.0 # Qt6 Python 绑定 # 图像处理 opencv-python>=4.6.0 # OpenCV Pillow>=9.0.0 # PIL 图像处理 matplotlib>=3.5.0 # 绘图库 numpy>=1.21.0 # 数值计算 # 医学影像 nibabel>=5.0.0 # NIfTI 文件处理 # 报告生成 reportlab>=4.0.0 # PDF 生成 openpyxl>=3.0.0 # Excel 文件操作 # 其他工具 pathlib # 路径处理（内置） json # JSON 处理（内置） threading # 线程管理（内置） ``` ### 安装命令 ```bash # 方式一：使用 requirements.txt pip install -r requirements.txt # 方式二：手动安装核心包 pip install ultralytics PySide6 opencv-python nibabel reportlab openpyxl matplotlib numpy Pillow # 方式三：使用 conda conda create -n mediscreen python=3.9 conda activate mediscreen conda install pytorch torchvision torchaudio cpuonly -c pytorch pip install ultralytics PySide6 opencv-python nibabel reportlab openpyxl matplotlib numpy Pillow ``` ### 系统要求 | 项目 | 最低配置 | 推荐配置 | |------|---------|---------| | **操作系统** | Windows 10 / macOS 10.15 / Ubuntu 18.04 | Windows 11 / macOS 12 / Ubuntu 22.04 | | **CPU** | Intel i5 / AMD Ryzen 5 | Intel i7 / AMD Ryzen 7 | | **内存** | 8 GB RAM | 16 GB RAM | | **GPU** | 集成显卡 | NVIDIA GTX 1060+ (4GB VRAM) | | **存储** | 2 GB 可用空间 | 10 GB SSD | | **摄像头** | 可选（720p） | 推荐（1080p） | ### GPU 加速（可选） 如需使用 GPU 加速检测： ```bash # 卸载 CPU 版本 pip uninstall torch torchvision # 安装 CUDA 版本（以 CUDA 11.8 为例） pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 验证 GPU 可用性 python -c "import torch; print(torch.cuda.is_available())" ``` --- ## 应用场景 ### 1. 临床辅助诊断 - **用途**：帮助放射科医生快速定位脑部肿瘤 - **优势**：减少漏诊，提高诊断效率 - **流程**： 1. 导入患者 MRI 扫描（NIfTI 格式） 2. 系统自动检测肿瘤位置 3. 生成三视图分析报告 4. 医生审核并签字确认 ### 2. 科研数据分析 - **用途**：大规模医学影像数据集标注和统计 - **优势**：批量处理，自动生成 Excel 统计报表 - **流程**： 1. 准备数据集文件夹 2. 启动批量检测 3. 等待自动处理完成 4. 导出结构化数据用于统计分析 ### 3. 教学演示 - **用途**：医学影像识别教学和学生培训 - **优势**：可视化界面，实时反馈 - **流程**： 1. 准备典型病例图片 2. 课堂实时演示检测过程 3. 讲解检测结果和置信度 4. 学生动手实践操作 ### 4. 远程医疗监控 - **用途**：多地点实时视频监控和异常检测 - **优势**：支持多摄像头，自动录制异常片段 - **流程**： 1. 部署多个摄像头 2. 启动实时监控模式 3. 系统自动检测并录制 4. 事后回放和分析 ### 5. 术前规划 - **用途**：手术前肿瘤位置和尺寸评估 - **优势**：精确测量，三维空间定位 - **流程**： 1. 加载患者最新 MRI 数据 2. 分析三视图肿瘤位置 3. 测量肿瘤直径和体积 4. 导出报告供手术团队参考 --- ## 输出格式 ### 1. 检测结果表格 | 列名 | 说明 | 示例 | |------|------|------| | Class | 检测类别 | tumor, lesion | | Confidence | 置信度 | 0.923 | | Coordinates (x,y) | 左上角坐标 | (120,85) | | Size (w×h) | 边界框尺寸 | 45×38 | | Estimated Diameter | 估算直径 | 41.50 pixel | | Pixel Area | 像素面积 | 1343.70 pixel² | ### 2. PDF 报告结构 ``` MRI Examination Report ═══════════════════════════ [基本信息表] 姓名: ______ 性别: ______ 年龄: ______ 日期: 2024-01-15 ID: ______ 科室: ______ 部位: Brain 序列: T1/T2 设备: MRI Scanner [检测结果图像] ┌─────────────────┐ │ 带标注的检测图 │ └─────────────────┘ Scan Findings: tumor Possibility: 0.923, Maximum diameter: 41.50pixel, Estimated pixel area: 1343.70pixel² Diagnostic Conclusion: Based on imaging findings, brain tumor lesion is considered. Further examination is recommended for confirmation. Diagnostic Recommendations: 1. Enhanced scan is recommended to further clarify the nature of the lesion 2. Comprehensive judgment based on clinical symptoms and laboratory test results 3. Regular follow-up to observe changes in the lesion Notes: 1. Please conduct comprehensive analysis in combination with clinical symptoms 2. If you feel unwell, please seek medical attention promptly 3. Regular follow-up is recommended to monitor disease changes [签名区] Reporting Physician: _______________ Reviewing Physician: _______________ Report Time: 2024-01-15 14:30:25 Hospital Name: XXX Hospital Imaging Department Disclaimer: This software is a prototype version and is not designed or intended for use in diagnosis or classification of any medical problems or other medical purposes. ``` ### 3. Excel 报告格式 **Detection Results 工作表** | Index | File Name | Detected Objects | Inference Time (s) | Confidence | Class Distribution | Max Diameter (pixel) | Total Area (pixel²) | |-------|-----------|------------------|-------------------|------------|-------------------|---------------------|-------------------| | 1 | patient_001.jpg | 2 | 0.045 | 0.856 - 0.923 | tumor:2 | 45.50 | 1580.25 | | 2 | patient_002.jpg | 1 | 0.038 | 0.789 | lesion:1 | 32.00 | 804.25 | | ... | ... | ... | ... | ... | ... | ... | ... | **Summary 工作表** | Metric | Value | |--------|-------| | Processing Time | 2024-01-15 14:30:25 | | Confidence Threshold | 0.25 | | Number of Images | 100 | | Total Detected Objects | 87 | | Average Inference Time (s) | 0.042 | ### 4. JSON 元数据格式 ```json { "camera_id": 0, "source_name": "Camera0", "start_time": 1705312225, "end_time": 1705312255, "fps": 20, "total_detections": 150, "detection_stats": { "tumor": 120, "lesion": 30 }, "frame_count": 600, "mp4_filename": "Camera0_1705312225.mp4", "json_filename": "Camera0_1705312225.json" } ``` ### 5. 日志格式 ``` [14:30:25] 🚀 MediScreen-Brain Tumor Detection System started [14:30:26] ✅ Model loaded successfully: best.pt [14:30:30] 📁 Selected: H:\data\patient_001.jpg [14:30:31] 🚀 Starting image detection... [14:30:31] 🎯 Detected 2 objects: tumor:2 (Time: 0.045s) [14:30:35] 📤 Exporting report... [14:30:36] ✅ Report exported successfully: MRI_Diagnostic_Report_20240115_143036.pdf ``` --- ## 注意事项 ### ⚠️ 重要声明 1. **非医疗设备** - 本软件为**原型版本**，仅用于医学研究和教学演示 - **不适用于**临床诊断、疾病分类或其他医疗目的 - 用户承认并保证不会将本软件用于上述用途 2. **免责声明** - 软件按"现状"提供，不提供任何形式的担保 - 开发者不对因使用本软件导致的任何损失负责 - 所有检测结果仅供参考，需由专业医生确认 3. **数据安全** - 本地处理：所有数据在本地计算机处理，不上传云端 - 隐私保护：患者数据应匿名化处理 - 合规要求：遵循 HIPAA/GDPR 等数据保护法规 ### 🔧 使用建议 1. **模型选择** - 使用经过充分验证的训练模型 - 定期更新模型以提高准确性 - 针对不同设备调整置信度阈值 2. **图像质量** - 确保输入图像清晰、无伪影 - NIfTI 文件应为标准格式 - 建议使用高分辨率扫描（≥1mm 各向同性） 3. **性能优化** - 批量处理时关闭其他大型应用 - 使用 SSD 存储提高读写速度 - GPU 加速可显著提升检测速度 4. **存储空间** - 定期清理 `monitor_history/` 和 `detection_history/` 目录 - 调整内存限制参数避免磁盘占满 - 重要数据及时备份 5. **摄像头使用** - 确保摄像头驱动已正确安装 - Windows 系统建议使用 CAP_DSHOW 后端 - 光线充足可提高检测准确率 ### 🐛 常见问题 #### Q1: 模型加载失败 **解决**： - 检查模型文件路径是否正确 - 确认文件格式（.pt 或 .onnx） - 验证 PyTorch/ONNX Runtime 版本兼容性 #### Q2: 检测速度慢 **解决**： - 降低输入图像分辨率 - 使用 GPU 加速 - 减少置信度阈值范围 #### Q3: NIfTI 文件无法打开 **解决**： - 确认文件未损坏 - 检查 nibabel 库版本 - 尝试使用其他软件（如 ITK-SNAP）验证文件 #### Q4: 摄像头无法识别 **解决**： - 检查摄像头连接 - 更新摄像头驱动 - 尝试其他 USB 端口 - 重启应用程序 #### Q5: PDF 报告中文字符乱码 **解决**： - 确认系统中存在微软雅黑字体 - 检查 `C:\Windows\Fonts\msyh.ttc` 路径 - 修改代码中的字体路径为实际位置 #### Q6: 批量处理中断 **解决**： - 检查文件夹权限 - 确认磁盘空间充足 - 查看日志定位具体错误文件 - 分批处理大量数据 ### 📞 技术支持 如遇问题，请： 1. 查看运行日志（界面底部日志区域） 2. 检查控制台输出错误信息 3. 确认依赖库版本符合要求 4. 查阅本项目文档和相关库官方文档 --- ## 版本历史 ### v2.0 (当前版本) - ✨ 全新渐变 UI 设计 - 📹 多摄像头实时监控 - 🎬 自动录制监控快照 - 📊 批量检测 Excel 报告 - 🧠 NIfTI 三视图分析 - 📤 PDF 诊断报告导出 - 🔄 NIfTI 格式转换工具 - 📋 快照回放和管理 ### v1.x (早期版本) - 基础单图片检测 - 简单 GUI 界面 - 基础日志功能 --- ## 许可证 本项目仅供学术研究和教学使用。商业用途请联系作者获取授权。 --- ## 联系方式 - **项目名称**：MediScreen-Brain - **开发语言**：Python 3.9+ - **GUI 框架**：PySide6 - **检测模型**：YOLO (Ultralytics) ### 团队与个人 - **研发团队**：[电子科技大学神经工程实验室](https://www.neuro.uestc.edu.cn/) - **开发者主页**：[JingW-ui](https://jingw-ui.github.io/resume/)、[MYiu](https://github.com/MYiuCode) --- **最后更新**：2026-05-13 **文档版本**：v2.0 **适用软件版本**：MediScreen-Brain v2.0+ --- *本文档由 AI 辅助生成，内容基于项目代码分析。如有错误或遗漏，请以实际代码为准。*