# brats-segmentation-system

**Repository Path**: aibyte/brats-segmentation-system

## Basic Information

- **Project Name**: brats-segmentation-system
- **Description**: No description available
- **Primary Language**: Python
- **License**: MPL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-10-01
- **Last Updated**: 2025-10-02

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 脑肿瘤自动分割与分析系统 (BraTS)

基于深度学习的脑肿瘤MRI影像自动分割与分析系统，采用改进的3D U-Net架构，实现高精度的肿瘤区域分割和智能化分析。

## 🌟 项目特色

- **高精度分割**: 基于改进的3D U-Net架构，结合残差块设计，实现高精度肿瘤分割
- **多模态支持**: 支持FLAIR、T1、T1CE、T2四种MRI模态的联合分析
- **智能分析**: 自动计算肿瘤体积、直径等量化指标，提供肿瘤类型判断
- **多种界面**: 提供Web界面、Gradio界面和API接口，满足不同使用需求
- **治疗建议**: 基于分割结果生成初步治疗建议，辅助临床决策

## 📋 系统要求

### 硬件要求
- **推荐**: NVIDIA GPU (8GB+ 显存)
- **最低**: CPU (处理速度较慢)
- **内存**: 16GB+ RAM
- **存储**: 5GB+ 可用空间

### 软件要求
- Python 3.8+
- PyTorch 1.9+
- CUDA 11.0+ (GPU版本)

## 🚀 快速开始

### 1. 环境安装

```bash
# 克隆项目
git clone https://github.com/your-username/brats-segmentation.git
cd brats-segmentation

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或
venv\Scripts\activate     # Windows

# 安装依赖
pip install -r requirements.txt
```

### 2. 模型下载

将预训练模型文件放置在 `models/` 目录下：
- `best_brats_model_dice.pth` - 主要分割模型
- `improved3dunet.pth` - 备用模型
- `improved3dunet.onnx` - ONNX格式模型

### 3. 运行方式

#### 方式一：Gradio界面 (推荐)
```bash
python brats_gradio_app.py
```
访问 http://localhost:9082

#### 方式二：Web界面
```bash
python app.py
```
访问 http://localhost:5000，打开 `index.html`

#### 方式三：API服务
```bash
python brats_api.py
```
API服务运行在 http://localhost:5000

## 📁 项目结构

```
brats-segmentation/
├── README.md                           # 项目说明文档
├── LICENSE                            # 开源许可证 (MPL 2.0)
├── requirements.txt                   # Python依赖包
├── app.py                            # Flask Web应用
├── brats_api.py                      # API服务接口
├── brats_gradio_app.py               # Gradio交互界面
├── brats_trainer.py                  # 模型训练脚本
├── index.html                        # Web前端界面
├── test_app.py                       # 应用测试脚本
├── data/                             # 示例数据目录
│   ├── BraTS20_Demo_flair.nii       # FLAIR模态示例
│   ├── BraTS20_Demo_t1.nii          # T1模态示例
│   ├── BraTS20_Demo_t1ce.nii        # T1CE模态示例
│   └── BraTS20_Demo_t2.nii          # T2模态示例
├── models/                           # 模型文件目录
│   ├── best_brats_model_dice.pth     # 主要训练模型
│   ├── improved3dunet.pth            # 改进的3D U-Net模型
│   └── improved3dunet.onnx           # ONNX格式模型
└── uploads/                          # 文件上传目录
```

## 🔧 使用说明

### Gradio界面使用

1. **上传文件**: 上传四种模态的NIfTI格式文件 (.nii 或 .nii.gz)
2. **加载示例**: 点击"加载示例文件"使用内置演示数据
3. **设置参数**: 在高级选项中调整分割精度和肿瘤类型优先级
4. **开始分析**: 点击"开始分析"按钮进行自动分割
5. **查看结果**: 在不同标签页查看统计数据、肿瘤类型和治疗建议

### API接口使用

#### 上传并分析
```bash
curl -X POST http://localhost:5000/api/upload \
  -F "flair=@path/to/flair.nii.gz" \
  -F "t1=@path/to/t1.nii.gz" \
  -F "t1ce=@path/to/t1ce.nii.gz" \
  -F "t2=@path/to/t2.nii.gz"
```

#### 检查服务状态
```bash
curl http://localhost:5000/api/status
```

## 快速部署

### 使用 Docker Compose（推荐）
docker-compose up -d

### 或者使用 Docker
docker build -t brats-app .
docker run -d --name brats-gradio-app -p 9082:9082 brats-app

部署后访问 http://localhost:9082 即可使用应用。

这个 Docker 配置考虑了医学影像处理的特殊需求，包括内存管理、中文字体支持、以及模型文件的挂载方式。如果你需要 GPU 支持或其他特殊配置，可以根据 DEPLOYMENT.md 中的说明进行调整。

## 🧠 模型架构

### 改进的3D U-Net
- **编码器**: 残差块 + 最大池化下采样
- **瓶颈层**: 深层特征提取
- **解码器**: 转置卷积上采样 + 跳跃连接
- **输出**: 4类分割结果 (背景、坏死、水肿、增强肿瘤)

### 损失函数
- **组合损失**: Dice Loss (70%) + Cross Entropy Loss (30%)
- **优化器**: AdamW with Cosine Annealing
- **正则化**: 批归一化 + Dropout + 梯度裁剪

## 📊 分析结果

系统提供以下分析结果：

### 量化指标
- **肿瘤总体积**: 所有肿瘤区域的总体积 (mm³)
- **肿瘤核心体积**: 坏死区和增强肿瘤区体积
- **全肿瘤体积**: 包含水肿区的总体积
- **最大直径**: 肿瘤的最大直径 (mm)
- **肿瘤负荷**: 肿瘤体积占脑组织的百分比

### 区域分布
- **增强肿瘤 (ET)**: 对比剂增强区域
- **水肿区域 (ED)**: 肿瘤周围水肿
- **坏死区域 (NCR/NET)**: 肿瘤坏死和非增强区域

### 肿瘤类型判断
- **高级别胶质瘤**: 增强区域比例 > 20%
- **低级别胶质瘤**: 增强区域比例 ≤ 20%

## 🏥 临床应用

### 适用范围
- 脑胶质瘤分割与分析
- 肿瘤体积测量
- 治疗效果评估
- 病情进展监测

### 治疗建议生成
系统基于分割结果自动生成：
- 手术切除建议
- 放化疗方案推荐
- 随访观察计划
- 多学科会诊建议

### 免责声明
⚠️ **重要提示**: 本系统仅作为辅助诊断工具，不能替代专业医师的诊断结论。所有治疗决策应遵循专业医师指导。

## 🔬 模型训练

如需重新训练模型，请使用 `brats_trainer.py`:

```bash
python brats_trainer.py
```

### 训练配置
- **数据集**: BraTS 2020 Training Data
- **批大小**: 1 (受GPU内存限制)
- **学习率**: 2e-4 with Cosine Annealing
- **训练轮数**: 100 epochs (含早停机制)
- **数据增强**: 标准化 + 切片选择

### 评估指标
- **Dice系数**: 分割精度评估
- **IoU分数**: 交并比评估
- **损失函数**: 组合损失监控

## 🛠️ 开发与测试

### 运行测试
```bash
python test_app.py
```

### 代码结构
- **数据处理**: NIfTI文件加载、预处理、后处理
- **模型定义**: 3D U-Net架构、残差块
- **训练流程**: 数据加载、训练循环、验证评估
- **推理服务**: Flask API、Gradio界面

## 📈 性能优化

### 内存优化
- 切片范围限制 (Z轴: 60-100)
- 图像尺寸控制 (最大128³)
- 批处理大小调整
- GPU内存清理

### 速度优化
- 混合精度训练 (AMP)
- 模型并行化
- 数据预加载
- 缓存机制

## 🤝 贡献指南

欢迎提交Issue和Pull Request！

### 开发环境设置
1. Fork项目仓库
2. 创建功能分支
3. 提交代码更改
4. 创建Pull Request

### 代码规范
- 遵循PEP 8编码规范
- 添加适当的注释和文档
- 编写单元测试
- 更新相关文档

## 📄 许可证

本项目采用 [Mozilla Public License 2.0](LICENSE) 开源许可证。

## 🙏 致谢

- BraTS挑战赛组织者提供的数据集和评估标准
- PyTorch和相关开源库的开发者
- 医学影像处理社区的研究贡献
- 所有参与测试和反馈的用户

## 📚 参考文献

1. Menze, B. H., et al. "The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS)." IEEE Transactions on Medical Imaging, 2015.
2. Ronneberger, O., et al. "U-Net: Convolutional Networks for Biomedical Image Segmentation." MICCAI, 2015.
3. Çiçek, Ö., et al. "3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation." MICCAI, 2016.

---

**版本**: v1.0.0  
**更新日期**: 2025年10月  
**维护状态**: 积极维护中 ✅