# 基于CBAM-ResNet与双重注意力机制的CT骨折智能诊断系统
融合通道-空间注意力及余弦退火优化的高精度骨折分类解决方案
本系统面向CT影像骨折二分类任务（骨折/正常），在ResNet18/34/50/101/152五种骨干网络上创新性地嵌入CBAM（卷积块注意力模块），构建了从数据增强、模型训练到推理部署的完整工业化流程。核心创新在于将通道注意力和空间注意力串联集成至ResNet的四个残差层输出端，使网络能够同时聚焦骨折区域的纹理细节与空间位置，显著提升细微骨裂的检出灵敏度。
技术架构与工程实现。系统采用模块化设计，utils.py定义了双支柱注意力机制：通道注意力通过自适应平均池化和最大池化双路径聚合全局信息，空间注意力则在通道维度上压缩后利用大核卷积捕捉位置相关性。create_model函数支持五种ResNet变体的一键切换，自动替换全连接层并注入CBAM模块。数据增强采用随机旋转90度与中心裁剪策略，有效缓解医疗影像的小样本过拟合。训练流程支持冻结骨干网络仅微调分类头，大幅降低显存占用至4GB以内，同时提供SGD/Adam双优化器和余弦退火学习率衰减。
诊断性能与可视化体系。系统实现了完备的评估指标矩阵，包括每类精确率、召回率、特异性和F1分数，以及宏平均指标。训练过程中自动生成训练集/验证集混淆矩阵热力图、损失-准确率曲线、学习率衰减曲线以及四项指标的收敛曲线。最终保留**权重和最后周期权重，并通过JSON日志完整记录每个epoch的详细性能数据。训练结束后自动输出**周期及其对应的完整性能报告。
推理部署与结果输出。predict.py支持批量处理inference/infer_img目录下的CT图像，自动加载训练好的权重和类别映射，对每张图像输出Top-2预测概率，并将结果以绿字形式叠加在原始图
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/256745.html