口腔鳞状细胞癌（OSCCC）检测系统

基于《基于摄影图像的口腔鳞状细胞癌检测深度学习算法：一项回顾性研究》的核心思路，开发的一套口腔鳞状细胞癌（OCSCC）图像检测 AI 程序。

项目概述

本项目实现了一个级联卷积神经网络，用于检测和分类口腔鳞状细胞癌。模型采用两阶段方法：

1. 检测网络：用于粗定位疑似病变区域
2. 分类网络：基于检测结果进行精细分类

功能特点

• 图像预处理和数据增强
• 级联网络架构（检测+分类）
• 支持迁移学习（使用ImageNet预训练的DenseNet121）
• 权重平衡的损失函数
• 完整的训练和验证流程
• 性能评估（准确率、敏感性、特异性、AUC）
• ROC曲线可视化
• 推理脚本支持单张图像预测

环境依赖

• Python 3.8+
• PyTorch 1.10+
• OpenCV-Python
• Pandas
• Matplotlib
• Scikit-learn
• Numpy

安装说明

pip install -r requirements.txt

数据格式

需要准备以下CSV文件：

1. train_data.csv - 训练数据
2. val_data.csv - 验证数据

CSV文件格式：

image_path,label
./data/ocsccc_001.jpg,1
./data/ocsccc_002.jpg,0
...

字段说明：

• image_path: 图像文件路径
• label: 标签（1表示患病，0表示正常）

使用方法

训练模型

python main.py

训练完成后将生成以下文件：

• best_ocsccc_model.pth - 最佳模型权重
• train_log.csv - 训练日志
• val_roc_curve.png - ROC曲线图

推理预测

python infer.py --image_path path/to/your/image.jpg

模型架构

检测网络

• 轻量级目标检测网络简化版
• 输入原始图像
• 输出疑似病变区域的边界框

分类网络

• 预训练DenseNet121作为骨干网络
• 移除原网络最后一层全连接层
• 替换为适配二分类的输出层

训练策略

1. 先冻结骨干网络前80%层权重训练分类头
2. 解冻所有层进行微调
3. 使用加权交叉熵损失处理类别不平衡
4. AdamW优化器配合学习率调度
5. 早停机制防止过拟合

性能评估

在验证集上计算以下指标：

• 准确率（Accuracy）
• 灵敏度（Sensitivity）
• 特异度（Specificity）
• AUC（ROC曲线下面积）