简介基于PyQt5与深度学习实现的一套骨龄识别检测系统包含完整Python源码、训练好的模型权重与可视化GUI界面适合作为毕业设计、课程设计或期末大作业的高分参考项目。资源面向具备一定Python基础、希望快速上手医学图像检测应用的学生开发者代码全程含有注释关键网络结构、推理逻辑与界面回调均有说明。压缩包共200个文件体积约717MB其中69个Python脚本承载核心检测流程与界面逻辑18个.pth文件为可直接加载的模型权重53个YAML配置用于定义训练参数及推理环境另有Markdown说明文档与Dockerfile部署配置便于复现运行环境和理解项目结构。目前已有306人学习/下载可作为毕业设计、课程设计与期末项目的直接参照。除核心代码外还附带ipynb示例、配置文件等下载后简单部署即可使用既可快速复现骨龄识别全流程也方便在此基础上扩展功能、进行二次开发或整理毕业设计答辩材料。1. 骨龄识别用 PyQt5 做成桌面端比 Web 端更适合当深度学习毕设提起基于 PyQt5 的骨龄识别这类题目多数人第一反应是“深度学习模型最难”。但真做过一遍会发现模型训练反而是最顺的一段公开数据集、预训练权重、成熟的损失函数一堆现成的。真正让很多组翻车的是把模型塞进 PyQt5 桌面 GUI、再保证它能连续推理不卡死的过程。骨龄识别检测这个题目把医学影像、CNN 回归和桌面工程三件事揉在一起适合做深度学习入门后的第一个综合项目也能给后续做医学影像方向留出扩展空间。你不需要在服务器上搭推理服务也不用处理前后端跨域双击就能跑这恰恰是毕业设计答辩时最直观的加分项。2. 手骨 X 光片到骨龄标签数据集、预处理与标签格式2.1 数据集选型RSNA 骨龄公开数据与骨龄分期的关系骨龄判读在临床上通常用 Greulich-Pyle 或 Tanner-Whitehouse 方法两者都是医生拿着手腕 X 光片逐块骨头打分。你训练模型不需要自己重新发明标签直接用标注好的公开数据最稳。做这个题目最常见的选择是 RSNA Bone Age 数据集每张左手腕 X 光片都带两个关键标注bone_age以月为单位的骨龄和 male性别布尔值。有了这两个字段你就可以把一个看似医学诊断的问题构造成标准的监督学习回归问题。拿到数据后的第一件事是写脚本把 CSV 里的样本划分成训练集、验证集和测试集。我习惯按患者 ID 分层划分而不只是按行随机切原因后面会讲先给一个最朴素的划分脚本。数据量上RSNA 原始训练集大约一万多张对 ResNet18 这类骨干完全够用只有一张小显存 GPU 也不会太吃力。如果课题不允许直接用竞赛数据至少也要保证训练集在几千张以上否则回归头很容易过拟合验证集上的 MAE 会涨到 20 个月以上这种模型的临床参考意义就很弱。# data_split.py import pandas as pd from sklearn.model_selection import train_test_split df pd.read_csv(bone_age_data.csv) # 每个患者可能有多张片子按患者 ID 分组后取唯一 id 做划分 unique_ids df[patient_id].unique() train_ids, val_ids train_test_split( unique_ids, test_size0.15, random_state42, stratifydf.groupby(patient_id)[male].first().reindex(unique_ids) ) train_df df[df[patient_id].isin(train_ids)] val_df df[df[patient_id].isin(val_ids)]这段代码的要点是test_size 决定验证集比例15% 在一万张量级下相当于 1500 个左右样本足够看出训练是否正常。stratify 参数按性别做分层避免某一性别占比在验证集里和训练集差异过大。用 patient_id 而不是用行索引切是为了防止同一个患者的正位片和侧位片同时出现在训练和验证里那是典型的数据泄漏。2.2 图像预处理DICOM 读取、ROI 裁剪与尺寸统一原始 X 光片通常是 DICOM 格式不是常见的 JPG。很多人第一次读 DICOM 会踩坑用 PIL 直接打开会报错因为 DICOM 是 16 位灰度医学图像格式。一般做法是用 pydicom 读数据再自己转成 8 位。读取后还要注意两个细节一是 DICOM 的像素值里有负值二是窗宽窗位如果不管整张图会发灰发暗。这一步对后续模型影响很大。我一般会先把图像缩放到固定尺寸再做归一化。手腕骨区域集中在整张图的中间偏下位置有些实现会先做一次 ROI 裁剪把手指尖以上的部分裁掉减少背景对网络学习的干扰。不过裁剪区域要靠经验调裁剪过了会把腕骨的一部分切掉反而丢关键特征。为了让训练稳定预处理里通常还会加 CLAHE 对比度增强。X 光片天然对比度低直接在原始灰度上丢给 ResNet 不是不能跑只是收敛慢。下面的脚本把 DICOM 读出来、转成 8 位灰度再做缩放。# preprocess.py import pydicom import cv2 import numpy as np def load_xray_to_uint8(dcm_path, target_size(256, 256)): dcm pydicom.dcmread(dcm_path) arr dcm.pixel_array.astype(np.float32) # 截断到 2% - 98% 分位数替代固定窗宽 lo, hi np.percentile(arr, [2, 98]) arr np.clip((arr - lo) / (hi - lo 1e-6), 0, 1) img (arr * 255).astype(np.uint8) img cv2.equalizeHist(img) img cv2.resize(img, target_size, interpolationcv2.INTER_AREA) return img需要注意cv2.equalizeHist 是全局直方图均衡效果有时不够稳替代方案是 CLAHEcv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8))。对骨骼这种大块低纹理区域CLAHE 通常比全局均衡更不容易把软组织噪点放大。target_size 取多大要结合显存看256×256 在单卡 2080 上能直接训 ResNet18再大就得考虑梯度累积或者换 EfficientNet 的轻量版本。提示如果 GUI 里显示 DICOM 文件为黑图先检查像素阵列的位深和窗宽而不是先怀疑模型加载失败。2.3 标签处理骨龄是回归问题别硬套分类RSNA 数据集的标注叫 bone_age单位是月分布在 1 到 228 个月之间天然是连续数值。所以这个题目的正确打开方式是把网络最后一层改成输出一个标量用回归损失训练。很多新手会条件反射地把它当成“年龄分类”按 3 个月一个桶切成几十类再算交叉熵这会让标签边界误差被人为放大到 ±3 个月而且相邻桶间顺序信息全丢。如果因为课程要求必须用分类思路至少要用 ordinal regression 或给标签加平滑尽量避免生硬地堆几十个 one-hot 类。另一种常见做法是把骨龄按月分桶后网络同时预测一个分布再用期望值反推年龄但工程复杂度比直接回归高不少。回归头的目标维度是 1训练时要把 DataFrame 里的标签转成浮点张量。性别特征不要扔男女孩的骨龄发育曲线差异很大下面给出把性别拼进最后全连接层的数据集写法。# dataset.py import torch from torch.utils.data import Dataset class BoneAgeDataset(Dataset): def __init__(self, df, transformNone): self.df df.reset_index(dropTrue) self.transform transform def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] img load_xray_to_uint8(row[path]) if self.transform: img self.transform(img) # male 作为类别特征变成 float 和图像一起返回 sex torch.tensor(float(row[male]), dtypetorch.float32) label torch.tensor(float(row[bone_age]), dtypetorch.float32) return img, sex, label这段 Dataset 的写法有两点值得注意。第一图像读取和预处理在getitem里做训练时每个 epoch 都会重新读一遍硬盘如果机器磁盘慢整个训练速度会卡在 IO 上。我建议把预处理后的 PNG 缓存到本地以“患者ID_序号.png”命名省掉每次都解析 DICOM 的耗时。第二sex 没有做成 one-hot它是二值特征直接给 0/1 就够了放进模型时代表“是否男性”比单独接一个 embedding 层更省事。3. 模型选型与训练回归头替代分类头MAE 才是硬指标3.1 为什么用 CNN 骨干而不是自己设计网络“基于深度学习的骨龄识别”听上去像是一个需要从零搭网络的任务但实际做下来绝大多数实现都踩在预训练 CNN 骨干上。原因有两个一是 X 光片也是图像低层特征边缘、纹理、对比度跟 ImageNet 上学到的特征高度共享二是手骨结构虽然大但真正判别性的骨骺区域只占一小块让骨干去提取局部纹理比自己从头设计卷积核更可靠。在这个题目里我一般会优先选 ResNet18 或 ResNet34而不是 ResNet50 以上的大模型。单卡显存有限且骨龄数据只有一万张左右太深的模型容易过拟合。如果你的机器能跑 12G 显存可以尝试 EfficientNet-B3 加预训练权重但要注意 PyTorch 里 EfficientNet 的默认输入尺寸不是 224 而是 300改动预处理会增加一层调试成本。性别信息怎么入模型方案不外乎三种做成第二个通道拼在图像上、在全连接层之前拼接、或者用条件化机制。毕设场景里最实用的是在全连接层前拼接骨干输出特征图经过全局池化后得到一个向量把性别的一维张量直接 append 到这个向量后面再接两层全连接输出一个标量。# model.py import torch import torchvision.models as models import torch.nn as nn class BoneAgeModel(nn.Module): def __init__(self, backboneresnet18, pretrainedTrue): super().__init__() resnet getattr(models, backbone)(pretrainedpretrained) # 去掉 resnet 自带的池化和全连接层 self.features nn.Sequential(*list(resnet.children())[:-2]) self.pool nn.AdaptiveAvgPool2d((1, 1)) # 骨干输出 512 维 性别 1 维 self.head nn.Sequential( nn.Linear(512 1, 128), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(128, 1) ) def forward(self, x, sex): f self.features(x) f self.pool(f).flatten(1) f torch.cat([f, sex.unsqueeze(1)], dim1) out self.head(f) return out这个模型定义的几个参数值得解释。self.head 的输入维度是 5121对应 ResNet18 最后一层输出的 512 通道加性别 1 维如果把骨干换成 ResNet34这里要改成 512ResNet50 则是 2048。Dropout 放在全连接层之前比例取 0.3 比较折中太低防过拟合效果不明显太高又会让训练收敛变慢。AdaptiveAvgPool2d 的好处是不用关心输入图像尺寸只要预处理统一特征图尺寸无论 224 还是 256池化后都会被压成 1×1。3.2 损失函数与评估指标MAE 是王道别只看准确率骨龄预测的评估指标在竞赛和论文里用的是平均绝对误差MAE单位是月。临床上能接受的误差范围一般是 12 个月以内也就是骨龄判断相差不超过一岁。如果你看过一些骨龄识别论文会发现 ResNet18 在公开数据上做到 5 到 7 个月的 MAE 就已经是可发表的水平并不需要追求 95% 准确率——因为回归问题里“准确率”的定义本身就很模糊。损失函数的选择上我的习惯是先用 SmoothL1LossHuber Loss它的梯度在误差小于 1 时是平方项误差大于 1 时是线性项天然比 MSE 更能容忍数据集里的离群标注。RSNA 的标签虽然经过处理但仍有少量噪声MSE 会把那些噪声样本的梯度放得很大训练早期容易震荡。训练过程要同时盯两个数值训练集上的损失和验证集上的 MAE。如果训练损失一直降、验证 MAE 却停滞或上升多半是过拟合先加数据增强再考虑把 Dropout 调大。如果两个都不动那就是学习率或数据加载有问题先别急着换模型结构。# train.py 关键片段 import torch import torch.nn as nn criterion nn.SmoothL1Loss() optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-2) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max20) best_mae 1e3 for epoch in range(30): model.train() running_loss 0.0 for imgs, sex, labels in train_loader: imgs, sex, labels imgs.to(device), sex.to(device), labels.to(device) preds model(imgs, sex).squeeze(1) loss criterion(preds, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss loss.item() * imgs.size(0) scheduler.step() model.eval() mae_sum 0.0 count 0 with torch.no_grad(): for imgs, sex, labels in val_loader: imgs, sex, labels imgs.to(device), sex.to(device), labels.to(device) preds model(imgs, sex).squeeze(1) mae_sum (preds - labels).abs().sum().item() count imgs.size(0) val_mae mae_sum / count if val_mae best_mae: best_mae val_mae torch.save(model.state_dict(), best_boneage.pth)这里要说的点是 AdamW 而不是传统 Adam。AdamW 把权重衰减从学习率里解耦配合 weight_decay1e-2对防止过拟合更有效。学习率 1e-4 是预训练骨干的常见配置如果是从头训练通常要 1e-3 到 3e-3 起步。CosineAnnealingLR 的 T_max 要和 epoch 总数一致它把学习率在 30 个 epoch 内从初始值余弦衰减到接近 0省去手动分段降学习率的步骤。3.3 训练策略先跑通小批量再上全量性别与回归头的坑这条是最容易被忽略的。我第一次做这个题目时直接加载预训练权重换了两个全连接层就开训结果验证集 MAE 卡在 35 个月左右不动。排查后发现问题出在标签没有按均值方差做标准化。回归头输出范围是任意实数如果标签在 1 到 228 之间、模型初始权重接近随机那么训练早期输出会集中在 0 附近梯度来回拉扯收敛极慢。解决办法是给标签做标准化记录训练集的 mean 和 std推理时再反标准化。训练时还有个认知误区很多人以为验证集指标好就能直接部署实际上桌面端 GUI 里的推理代码和训练代码往往不是同一套。训练时图像来自预处理过的 PNG推理时如果 GUI 直接打开原始 DICOM尺寸、像素值范围都不一样模型输出会完全跑偏。所以在训练收尾阶段我习惯写一个独立推理脚本把“读取图像 → 预处理 → 模型 forward → 反标准化”这段逻辑单独测一遍确认它跟训练时的验证结果一致。# predict_component.py import torch label_mean, label_std 122.0, 44.0 # 替换成自己训练集的统计量 def predict_single(model, x, sex): model.eval() with torch.no_grad(): pred model(x.unsqueeze(0), torch.tensor([sex])) pred pred.item() * label_std label_mean return pred这个函数虽然短但它把反标准化放进推理管线避免前后两套代码不一致。如果你在训练时用标准化后的 label部署时漏掉最后一行反标准化会让结果和真实骨龄相差平均 44 个月左右这是决定生死的细节。深度学习中显存不足时不要急着换小模型。先把 batch size 减半观察损失曲线是否依然平滑再把输入尺寸从 256 降到 224。这两种做法对最终指标的损害通常小于更换骨干网络带来的不确定性。4. 用 PyQt5 包 GUI文件选择、线程推理与结果显示4.1 一个能跑的最小 PyQt5 界面QMainWindow、QFileDialog 与 QLabelPyQt5 在毕设里的定位不是做一个花哨的管理系统而是把模型推理包装成桌面工具。用户在界面里选择一张手腕 X 光片程序显示图片并把骨龄预测结果写在界面上。这个工作流拆成三个 UI 元素一个选择图片按钮、一个显示图片的 QLabel、一个显示结果性别、骨龄、耗时的文本标签。QMainWindow 作为主容器布局用 QVBoxLayout简单直接也方便答辩时现场演示。显示图片用 QLabel 配合 QPixmap 就够了不需要引入 QGraphicsView。后者支持缩放和拖动但层级多、信号复杂对这个场景纯属增加工作量。如果后续要做热力图叠加用 QLabel.setPixmap 直接覆盖一张融合图比在 QGraphicsView 里画图元更容易维护。下面是单文件 GUI 的最小骨架。# gui_minimal.py import sys from PyQt5.QtWidgets import (QApplication, QMainWindow, QLabel, QPushButton, QFileDialog, QVBoxLayout, QWidget) from PyQt5.QtGui import QPixmap class BoneAgeApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(骨龄识别检测工具) self.image_label QLabel(点击选择 X 光片) self.image_label.setFixedSize(512, 512) self.result_label QLabel(预测结果--) btn QPushButton(选择图片) btn.clicked.connect(self.open_file) layout QVBoxLayout() layout.addWidget(self.image_label) layout.addWidget(btn) layout.addWidget(self.result_label) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def open_file(self): path, _ QFileDialog.getOpenFileName( self, 选择手腕 X 光片, ., Images (*.png *.jpg *.dcm)) if path: self.image_label.setPixmap(QPixmap(path)) self.result_label.setText(f已选择{path}) if __name__ __main__: app QApplication(sys.argv) win BoneAgeApp() win.show() sys.exit(app.exec_())这段代码里 QFileDialog.getOpenFileName 的返回是选中的路径过滤器。第三个参数 Images (*.png *.jpg *.dcm) 决定文件对话框里能看到哪些文件注意 .dcm 只是让 DICOM 文件可被选中真正读取 DICOM 还需要接 pydicom直接用 QPixmap 打不开 .dcm。PyQt5 安装后如果 Linux 上显示不出来窗口先检查是否装了 xcb 相关的系统库Windows 上一般没有这个问题。控件摆放也是一个得分点图片 label 固定 512×512 后建议按原始宽高比缩放避免 X 光片显示变形。4.2 QThread 与信号槽把模型推理从主线程里摘出去很多第一次写 PyQt5 的人会在按钮的 clicked 信号里直接调用模型 predict界面就会在推理那 1 到 3 秒内卡死鼠标变成转圈状态甚至被系统提示“无响应”。这在答辩演示时非常尴尬。PyQt5 界面卡死的根源是主线程要同时处理窗口消息循环和推理计算推理一旦超过几百毫秒窗口就无法重绘、响应点击。解决方案是一套标准做法QThread 里跑预测逻辑用 pyqtSignal 把结果传回主线程更新界面。注意子线程里的代码不要去碰任何 QWidget 控件比如不要在子线程里直接调 self.result_label.setText()那样会产生跨线程访问控件的问题。正确做法是子线程只管发信号主线程的槽函数负责更新界面。下面给一个推理线程的实现。# inference_thread.py from PyQt5.QtCore import QThread, pyqtSignal import torch import numpy as np import pydicom class PredictThread(QThread): finished_signal pyqtSignal(float, str) # 骨龄(月)提示信息 def __init__(self, model, path, sex, parentNone): super().__init__(parent) self.model model self.path path self.sex sex def run(self): try: img load_xray_to_uint8(self.path) # 见 2.2 节 x torch.from_numpy(img / 255.0).float().unsqueeze(0).unsqueeze(0) x x.repeat(1, 3, 1, 1) # 灰度转 3 通道 pred predict_single(self.model, x, self.sex) self.finished_signal.emit(pred, 推理完成) except Exception as e: self.finished_signal.emit(-1, f推理失败{e})这个线程类把模型推理和文件读取全部放到了 run() 里。predict_single 是 3.3 节里定义好的函数接收预处理过的张量和性别返回反标准化后的骨龄月数。如果图像是 DICOMload_xray_to_uint8 内部要调用 pydicom 读取如果界面选择的是 JPG可以跳过 DICOM 分支但建议让 GUI 同时支持两种输入因为演示素材有时是从网上下载的 JPG不一定有 DICOM。调用方要注意线程生命周期。每次选择文件后如果上一次的线程还在运行直接再 new 一个 QThread 会让旧线程泄漏。一般做法是开一个 self.current_thread 属性在创建新线程之前先把旧线程 wait() 掉。线程结束信号 finished 可以连到清理槽把 self.current_thread 置空。# gui_with_thread.py 关键片段 def start_predict(self, path, sex): if self.current_thread and self.current_thread.isRunning(): self.current_thread.wait() # 等旧线程退出 self.current_thread PredictThread(self.model, path, sex) self.current_thread.finished_signal.connect(self.on_predict_done) self.current_thread.start() def on_predict_done(self, age_month, info): if age_month 0: self.result_label.setText( f骨龄约 {age_month/12:.1f} 岁{age_month:.0f} 个月| {info}) else: self.result_label.setText(info)wait() 是阻塞方法如果旧线程正在跑很慢的推理界面会卡一下。更优雅的做法是给线程发 requestInterruption() 并在 run() 里检查 isInterruptionRequested()但毕设场景里推理时间通常不超过 3 秒用 wait() 简单可靠不会引入新的竞态问题。如果你追求更流畅的体验可以把 wait 换成“先禁用按钮 提示正在处理中”等 finished 信号到了再恢复。4.3 模型加载与推理路径torch 直接推理与 ONNX RuntimeGUI 里的模型加载有两种常见做法。最直接的是训练时只存 state_dictGUI 启动时先实例化 BoneAgeModel(backboneresnet18)再把权重 load 进来代码路径与训练一致调试方便。另一种是把模型 export 成 ONNX用 onnxruntime 推理部署时不再依赖 PyTorch 的完整环境CPU 上也能跑而且 ONNX Runtime 对 X86 平台有深度优化推理延迟通常比 PyTorch CPU 模式低不少。答辩机器大概率没有独立显卡这个要考虑进去。如果本地只有核显笔记本PyTorch CPU 推理可能要用一秒多ONNX Runtime 会明显快一些。做这个题目时我通常两条路都留着本地调试用 PyTorch 直推调好后导出 ONNX 给 GUI 用。导出 ONNX 有一个必改的地方模型的 forward 接收两个输入第二个是性别导出时要固定好张量形状。# export_onnx.py import torch from model import BoneAgeModel model BoneAgeModel(backboneresnet18, pretrainedFalse) model.load_state_dict(torch.load(best_boneage.pth, map_locationcpu)) model.eval() dummy_img torch.randn(1, 3, 256, 256) dummy_sex torch.randn(1) with torch.no_grad(): torch.onnx.export( model, (dummy_img, dummy_sex), boneage.onnx, input_names[x, sex], output_names[age_month], dynamic_axes{x: {0: batch}}, opset_version12 )导出时有一个容易踩的坑性别输入如果 dynamic_axes 没有设置ONNX 会固定 batch 为 1后续推理时 sex 只能传形如 (1,) 的张量。如果想把 batch 维度留成动态就只给第一个输入的 batch 维度设 dynamic。另外训练时的标准化和预处理不会进入 ONNX你需要在 GUI 端把预处理逻辑在传入模型之前手动跑一遍。onnxruntime 推理的代码比 torch 稍微绕一点因为要准备 numpy 数组。一般做法是把图像转成 float32 的 numpy 数组shape 改成 (1, 3, 256, 256)性别拼成 (1,) 的 numpy 数组然后一次性 Session.run。CPU 机器上就用默认的 CPUExecutionProvider。对比维度PyTorch 直接推理ONNX Runtime 推理依赖环境需要 torch 与对应 CUDA 运行时只需要 onnxruntime包更小加载速度首次加载约 1 到 3 秒比 torch 略快CPU 推理相对慢通常快 20% 到 50%模型修改灵活改输入输出固定输入改结构需重新导出调试友好性可打印中间张量易排错出错时信息偏底层# onnx_infer.py import onnxruntime as ort import numpy as np sess ort.InferenceSession(boneage.onnx, providers[CPUExecutionProvider]) def infer_with_onnx(img_np, male): # img_np: (256, 256) uint8 x (img_np.astype(np.float32) / 255.0).reshape(1, 1, 256, 256) x np.concatenate([x, x, x], axis1) # 转为 3 通道 sex np.array([male], dtypenp.float32).reshape(1) pred sess.run([age_month], {x: x, sex: sex})[0] return float(pred[0])这段代码里最容易出错的是 sex 的 shape 对应关系。PyTorch 模型 forward 里 sex 是 (B,) 的向量ONNX 导出时如果不做多余 reshape推理侧输入必须保持 (B,)。如果报 shape mismatch把 sex.reshape(1) 改成 sex.reshape(1, 1) 再试一次看报错信息里的预期维度。这类排错在部署环节属于日常操作但你会记住“导出后重新验证一遍输入输出形状”这个习惯。5. 骨龄识别避坑指南从训练到 GUI 的排错记录5.1 数据与预处理阶段的翻车现场第一个典型的坑用传统图像库读取 X 光片出来的图全是黑的或者预测骨龄永远在 150 个月以上。现象是 GUI 里显示的图片对着一片纯黑模型输出严重偏高。原因在于 DICOM 的像素值范围是 0 到 4095 甚至更高而普通 8 位 JPEG 最大只有 255直接用 PIL 或 cv2 读 DICOM灰度值必然溢出或被截断。解决方法是按 2.2 节的做法先转到 float32、做百分位截断、再归一化到 8 位。如果坚持在 GUI 里用 QPixmap 打开 DICOM得先用 pydicom 转成 QImage再做 QPixmap 转换。第二个坑是数据泄漏现象是训练损失一直很低但验证集指标好得诡异换一批测试图片后立刻打回原形。原因在划分数据集时按行随机切同一个患者的多张片子被拆进了训练集和验证集模型相当于见过“同一只手的双胞胎”评估失去意义。解决方法是按 patient_id 分组后再切这就是 2.1 节必须用 patient_id 的原因。如果你拿到的是单张图一个患者的简化数据集至少要先把重复的 patient_id 找出来在划分前做去重。第三个容易被忽略的坑是性别字段没进模型。很多人按图像单输入训练骨龄 MAE 在验证集上始终下不到 10 个月以下调学习率也没用。原因很简单儿童骨龄发育水平与性别显著相关同一个 12 岁骨龄的男孩和女孩手腕骨化特征差异明显。解法就是第 3 章那样把 male 拼进全连接层或干脆给模型两个输入分支。公开评估允许使用性别信息这在临床上也成立不算作弊。5.2 训练阶段loss 震荡与“只看准确率”的误区训练中经常遇到 loss 曲线像锯齿一样来回跳或者某一轮开始大幅飙升并且伴随 NaN。现象是训练到 10 到 20 个 epoch 后 loss 突然变成 NaN然后整个模型权重丢失需要重新加载 checkpoint。原因通常是学习率过大、batch size 过大、或者图像预处理里除 0 导致输入出现 NaN。其中“除 0”最隐蔽2.2 节的 (hi - lo 1e-6) 如果不用 eps 保护在极端图像上可能得 0 分母。解决方法是先检查输入张量里是否出现 NaN再逐步降学习率。如果是 fp16 混合精度训练NaN 还可能是损失缩放因子问题直接关掉 amp 或改用 bf16 试试。关于指标骨龄识别领域真正该盯的是 MAE 和 ±12 个月内的占比不是分类准确率。很多人把输出四舍五入到最近的整数月然后算“预测准确率”得出的准确率只有 30% 左右就开始怀疑模型有问题。这其实是评估口径选错了误差在 6 个月以内都算完全可接受的临床水平。我们应该用“±1 岁以内命中率”作为第二个展示指标答辩时也容易讲清楚价值。5.3 部署阶段PyQt5 卡死与模型文件兼容性部署阶段最常见的坑是界面卡死前面第 4 章说过原因就是推理逻辑放在主线程里。另一种现象是程序启动时加载模型特别慢大约 2 到 3 秒如果加载也放在主线程窗口会出现白屏。解决方法是把模型加载也挪到 QThread或者至少在启动入口用 QApplication.processEvents() 刷新一次界面。模型加载是一次性的UI 卡感可以接受但最好让用户有“正在加载模型”的提示。PyQt5 版本差异也会让人措手不及。现象是在一台机器上运行正常的代码搬到另一台机器后报错 no attribute exec_。原因是 PyQt5 的 app.exec_() 在 PyQt6 里改了名统一为 exec()。如果你的代码里写死了 exec_新环境直接报错。解决方法是统一使用 app.exec()PyQt5 也兼容这个写法。如果机器上同时装过 PyQt5 和 PyQt6检查 import PyQt5 的路径避免两个命名空间混在一起。最后一个模型文件层面的坑torch.save 保存的完整模型对象包含类定义引用如果在 GUI 机器上重命名或移动了 model.pyload 时会报 ModuleNotFoundError。这就是为什么训练时建议只保存 state_dict。state_dict 不依赖类定义的具体路径只需要网络结构一致。如果用别人给的 pth 文件第一件事是用 torch.load(map_locationcpu) 打印出键名对照自己模型的 state_dict 看少了哪个层不要直接 load 就报 KeyError。6. 让骨龄识别从“能跑”到“能答辩”热力图验证与界面加分项训练完模型、GUI 能出结果之后如果还想让评分和答辩效果上一个台阶最值得做的一件事是给模型加一张 Grad-CAM 热力图。骨龄判读在临床上的逻辑是观察桡骨远端、尺骨远端和各块腕骨骨化中心的发育程度如果模型能把这些区域“点亮”说明它学到了有医学意义的结构特征而不是在背图像背景。反过来说如果热力图集中在图片角落或者整个背景上即使 MAE 很低也很难说服答辩老师相信模型有泛化能力。常见的做法是选择骨干网络最后一个卷积层作为特征来源计算类别激活映射后叠加到原图上生成一张带透明度的热力图 PNG再直接在界面结果显示区域用第二个 QLabel 展示。这一层改动不需要动模型结构只需要在推理线程里多跑一次钩子。我这样排查过一次“模型在训练集上 MAE 6 个月、测试集 MAE 25 个月”的问题最后发现热力图显示的关注区域在图像左上角那里恰好是拍摄日期水印的位置。删掉那块噪声、重新做 ROI 裁剪后测试集 MAE 回落到 9 个月这个经验让我在项目里一直保留 ROI 预处理步骤。另一个不费事的加分项是训练曲线记录。在训练脚本里把每个 epoch 的 train_loss、val_mae、learning_rate 都写进 CSV最后用 matplotlib 画三张曲线图。如果训练结束时 val_mae 已经连续 5 个 epoch 不降就在答辩时说“我用早停策略避免过拟合”。每次实验前固定好 seed 并记录一个实验编号能让你在对比不同预处理方案时少走很多弯路。这套习惯帮我少踩了不少坑也让我从“只调模型”的思维转成“把数据、模型、界面当作一条完整链路”去检查。希望帮到你祝你的骨龄识别毕设一次跑通。本文还有配套的精品资源点击获取 PyQt5骨龄识别系统：医学影像CNN回归与桌面GUI实战
简介基于PyQt5与深度学习实现的一套骨龄识别检测系统包含完整Python源码、训练好的模型权重与可视化GUI界面适合作为毕业设计、课程设计或期末大作业的高分参考项目。资源面向具备一定Python基础、希望快速上手医学图像检测应用的学生开发者代码全程含有注释关键网络结构、推理逻辑与界面回调均有说明。压缩包共200个文件体积约717MB其中69个Python脚本承载核心检测流程与界面逻辑18个.pth文件为可直接加载的模型权重53个YAML配置用于定义训练参数及推理环境另有Markdown说明文档与Dockerfile部署配置便于复现运行环境和理解项目结构。目前已有306人学习/下载可作为毕业设计、课程设计与期末项目的直接参照。除核心代码外还附带ipynb示例、配置文件等下载后简单部署即可使用既可快速复现骨龄识别全流程也方便在此基础上扩展功能、进行二次开发或整理毕业设计答辩材料。1. 骨龄识别用 PyQt5 做成桌面端比 Web 端更适合当深度学习毕设提起基于 PyQt5 的骨龄识别这类题目多数人第一反应是“深度学习模型最难”。但真做过一遍会发现模型训练反而是最顺的一段公开数据集、预训练权重、成熟的损失函数一堆现成的。真正让很多组翻车的是把模型塞进 PyQt5 桌面 GUI、再保证它能连续推理不卡死的过程。骨龄识别检测这个题目把医学影像、CNN 回归和桌面工程三件事揉在一起适合做深度学习入门后的第一个综合项目也能给后续做医学影像方向留出扩展空间。你不需要在服务器上搭推理服务也不用处理前后端跨域双击就能跑这恰恰是毕业设计答辩时最直观的加分项。2. 手骨 X 光片到骨龄标签数据集、预处理与标签格式2.1 数据集选型RSNA 骨龄公开数据与骨龄分期的关系骨龄判读在临床上通常用 Greulich-Pyle 或 Tanner-Whitehouse 方法两者都是医生拿着手腕 X 光片逐块骨头打分。你训练模型不需要自己重新发明标签直接用标注好的公开数据最稳。做这个题目最常见的选择是 RSNA Bone Age 数据集每张左手腕 X 光片都带两个关键标注bone_age以月为单位的骨龄和 male性别布尔值。有了这两个字段你就可以把一个看似医学诊断的问题构造成标准的监督学习回归问题。拿到数据后的第一件事是写脚本把 CSV 里的样本划分成训练集、验证集和测试集。我习惯按患者 ID 分层划分而不只是按行随机切原因后面会讲先给一个最朴素的划分脚本。数据量上RSNA 原始训练集大约一万多张对 ResNet18 这类骨干完全够用只有一张小显存 GPU 也不会太吃力。如果课题不允许直接用竞赛数据至少也要保证训练集在几千张以上否则回归头很容易过拟合验证集上的 MAE 会涨到 20 个月以上这种模型的临床参考意义就很弱。# data_split.py import pandas as pd from sklearn.model_selection import train_test_split df pd.read_csv(bone_age_data.csv) # 每个患者可能有多张片子按患者 ID 分组后取唯一 id 做划分 unique_ids df[patient_id].unique() train_ids, val_ids train_test_split( unique_ids, test_size0.15, random_state42, stratifydf.groupby(patient_id)[male].first().reindex(unique_ids) ) train_df df[df[patient_id].isin(train_ids)] val_df df[df[patient_id].isin(val_ids)]这段代码的要点是test_size 决定验证集比例15% 在一万张量级下相当于 1500 个左右样本足够看出训练是否正常。stratify 参数按性别做分层避免某一性别占比在验证集里和训练集差异过大。用 patient_id 而不是用行索引切是为了防止同一个患者的正位片和侧位片同时出现在训练和验证里那是典型的数据泄漏。2.2 图像预处理DICOM 读取、ROI 裁剪与尺寸统一原始 X 光片通常是 DICOM 格式不是常见的 JPG。很多人第一次读 DICOM 会踩坑用 PIL 直接打开会报错因为 DICOM 是 16 位灰度医学图像格式。一般做法是用 pydicom 读数据再自己转成 8 位。读取后还要注意两个细节一是 DICOM 的像素值里有负值二是窗宽窗位如果不管整张图会发灰发暗。这一步对后续模型影响很大。我一般会先把图像缩放到固定尺寸再做归一化。手腕骨区域集中在整张图的中间偏下位置有些实现会先做一次 ROI 裁剪把手指尖以上的部分裁掉减少背景对网络学习的干扰。不过裁剪区域要靠经验调裁剪过了会把腕骨的一部分切掉反而丢关键特征。为了让训练稳定预处理里通常还会加 CLAHE 对比度增强。X 光片天然对比度低直接在原始灰度上丢给 ResNet 不是不能跑只是收敛慢。下面的脚本把 DICOM 读出来、转成 8 位灰度再做缩放。# preprocess.py import pydicom import cv2 import numpy as np def load_xray_to_uint8(dcm_path, target_size(256, 256)): dcm pydicom.dcmread(dcm_path) arr dcm.pixel_array.astype(np.float32) # 截断到 2% - 98% 分位数替代固定窗宽 lo, hi np.percentile(arr, [2, 98]) arr np.clip((arr - lo) / (hi - lo 1e-6), 0, 1) img (arr * 255).astype(np.uint8) img cv2.equalizeHist(img) img cv2.resize(img, target_size, interpolationcv2.INTER_AREA) return img需要注意cv2.equalizeHist 是全局直方图均衡效果有时不够稳替代方案是 CLAHEcv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8))。对骨骼这种大块低纹理区域CLAHE 通常比全局均衡更不容易把软组织噪点放大。target_size 取多大要结合显存看256×256 在单卡 2080 上能直接训 ResNet18再大就得考虑梯度累积或者换 EfficientNet 的轻量版本。提示如果 GUI 里显示 DICOM 文件为黑图先检查像素阵列的位深和窗宽而不是先怀疑模型加载失败。2.3 标签处理骨龄是回归问题别硬套分类RSNA 数据集的标注叫 bone_age单位是月分布在 1 到 228 个月之间天然是连续数值。所以这个题目的正确打开方式是把网络最后一层改成输出一个标量用回归损失训练。很多新手会条件反射地把它当成“年龄分类”按 3 个月一个桶切成几十类再算交叉熵这会让标签边界误差被人为放大到 ±3 个月而且相邻桶间顺序信息全丢。如果因为课程要求必须用分类思路至少要用 ordinal regression 或给标签加平滑尽量避免生硬地堆几十个 one-hot 类。另一种常见做法是把骨龄按月分桶后网络同时预测一个分布再用期望值反推年龄但工程复杂度比直接回归高不少。回归头的目标维度是 1训练时要把 DataFrame 里的标签转成浮点张量。性别特征不要扔男女孩的骨龄发育曲线差异很大下面给出把性别拼进最后全连接层的数据集写法。# dataset.py import torch from torch.utils.data import Dataset class BoneAgeDataset(Dataset): def __init__(self, df, transformNone): self.df df.reset_index(dropTrue) self.transform transform def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] img load_xray_to_uint8(row[path]) if self.transform: img self.transform(img) # male 作为类别特征变成 float 和图像一起返回 sex torch.tensor(float(row[male]), dtypetorch.float32) label torch.tensor(float(row[bone_age]), dtypetorch.float32) return img, sex, label这段 Dataset 的写法有两点值得注意。第一图像读取和预处理在getitem里做训练时每个 epoch 都会重新读一遍硬盘如果机器磁盘慢整个训练速度会卡在 IO 上。我建议把预处理后的 PNG 缓存到本地以“患者ID_序号.png”命名省掉每次都解析 DICOM 的耗时。第二sex 没有做成 one-hot它是二值特征直接给 0/1 就够了放进模型时代表“是否男性”比单独接一个 embedding 层更省事。3. 模型选型与训练回归头替代分类头MAE 才是硬指标3.1 为什么用 CNN 骨干而不是自己设计网络“基于深度学习的骨龄识别”听上去像是一个需要从零搭网络的任务但实际做下来绝大多数实现都踩在预训练 CNN 骨干上。原因有两个一是 X 光片也是图像低层特征边缘、纹理、对比度跟 ImageNet 上学到的特征高度共享二是手骨结构虽然大但真正判别性的骨骺区域只占一小块让骨干去提取局部纹理比自己从头设计卷积核更可靠。在这个题目里我一般会优先选 ResNet18 或 ResNet34而不是 ResNet50 以上的大模型。单卡显存有限且骨龄数据只有一万张左右太深的模型容易过拟合。如果你的机器能跑 12G 显存可以尝试 EfficientNet-B3 加预训练权重但要注意 PyTorch 里 EfficientNet 的默认输入尺寸不是 224 而是 300改动预处理会增加一层调试成本。性别信息怎么入模型方案不外乎三种做成第二个通道拼在图像上、在全连接层之前拼接、或者用条件化机制。毕设场景里最实用的是在全连接层前拼接骨干输出特征图经过全局池化后得到一个向量把性别的一维张量直接 append 到这个向量后面再接两层全连接输出一个标量。# model.py import torch import torchvision.models as models import torch.nn as nn class BoneAgeModel(nn.Module): def __init__(self, backboneresnet18, pretrainedTrue): super().__init__() resnet getattr(models, backbone)(pretrainedpretrained) # 去掉 resnet 自带的池化和全连接层 self.features nn.Sequential(*list(resnet.children())[:-2]) self.pool nn.AdaptiveAvgPool2d((1, 1)) # 骨干输出 512 维 性别 1 维 self.head nn.Sequential( nn.Linear(512 1, 128), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(128, 1) ) def forward(self, x, sex): f self.features(x) f self.pool(f).flatten(1) f torch.cat([f, sex.unsqueeze(1)], dim1) out self.head(f) return out这个模型定义的几个参数值得解释。self.head 的输入维度是 5121对应 ResNet18 最后一层输出的 512 通道加性别 1 维如果把骨干换成 ResNet34这里要改成 512ResNet50 则是 2048。Dropout 放在全连接层之前比例取 0.3 比较折中太低防过拟合效果不明显太高又会让训练收敛变慢。AdaptiveAvgPool2d 的好处是不用关心输入图像尺寸只要预处理统一特征图尺寸无论 224 还是 256池化后都会被压成 1×1。3.2 损失函数与评估指标MAE 是王道别只看准确率骨龄预测的评估指标在竞赛和论文里用的是平均绝对误差MAE单位是月。临床上能接受的误差范围一般是 12 个月以内也就是骨龄判断相差不超过一岁。如果你看过一些骨龄识别论文会发现 ResNet18 在公开数据上做到 5 到 7 个月的 MAE 就已经是可发表的水平并不需要追求 95% 准确率——因为回归问题里“准确率”的定义本身就很模糊。损失函数的选择上我的习惯是先用 SmoothL1LossHuber Loss它的梯度在误差小于 1 时是平方项误差大于 1 时是线性项天然比 MSE 更能容忍数据集里的离群标注。RSNA 的标签虽然经过处理但仍有少量噪声MSE 会把那些噪声样本的梯度放得很大训练早期容易震荡。训练过程要同时盯两个数值训练集上的损失和验证集上的 MAE。如果训练损失一直降、验证 MAE 却停滞或上升多半是过拟合先加数据增强再考虑把 Dropout 调大。如果两个都不动那就是学习率或数据加载有问题先别急着换模型结构。# train.py 关键片段 import torch import torch.nn as nn criterion nn.SmoothL1Loss() optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-2) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max20) best_mae 1e3 for epoch in range(30): model.train() running_loss 0.0 for imgs, sex, labels in train_loader: imgs, sex, labels imgs.to(device), sex.to(device), labels.to(device) preds model(imgs, sex).squeeze(1) loss criterion(preds, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss loss.item() * imgs.size(0) scheduler.step() model.eval() mae_sum 0.0 count 0 with torch.no_grad(): for imgs, sex, labels in val_loader: imgs, sex, labels imgs.to(device), sex.to(device), labels.to(device) preds model(imgs, sex).squeeze(1) mae_sum (preds - labels).abs().sum().item() count imgs.size(0) val_mae mae_sum / count if val_mae best_mae: best_mae val_mae torch.save(model.state_dict(), best_boneage.pth)这里要说的点是 AdamW 而不是传统 Adam。AdamW 把权重衰减从学习率里解耦配合 weight_decay1e-2对防止过拟合更有效。学习率 1e-4 是预训练骨干的常见配置如果是从头训练通常要 1e-3 到 3e-3 起步。CosineAnnealingLR 的 T_max 要和 epoch 总数一致它把学习率在 30 个 epoch 内从初始值余弦衰减到接近 0省去手动分段降学习率的步骤。3.3 训练策略先跑通小批量再上全量性别与回归头的坑这条是最容易被忽略的。我第一次做这个题目时直接加载预训练权重换了两个全连接层就开训结果验证集 MAE 卡在 35 个月左右不动。排查后发现问题出在标签没有按均值方差做标准化。回归头输出范围是任意实数如果标签在 1 到 228 之间、模型初始权重接近随机那么训练早期输出会集中在 0 附近梯度来回拉扯收敛极慢。解决办法是给标签做标准化记录训练集的 mean 和 std推理时再反标准化。训练时还有个认知误区很多人以为验证集指标好就能直接部署实际上桌面端 GUI 里的推理代码和训练代码往往不是同一套。训练时图像来自预处理过的 PNG推理时如果 GUI 直接打开原始 DICOM尺寸、像素值范围都不一样模型输出会完全跑偏。所以在训练收尾阶段我习惯写一个独立推理脚本把“读取图像 → 预处理 → 模型 forward → 反标准化”这段逻辑单独测一遍确认它跟训练时的验证结果一致。# predict_component.py import torch label_mean, label_std 122.0, 44.0 # 替换成自己训练集的统计量 def predict_single(model, x, sex): model.eval() with torch.no_grad(): pred model(x.unsqueeze(0), torch.tensor([sex])) pred pred.item() * label_std label_mean return pred这个函数虽然短但它把反标准化放进推理管线避免前后两套代码不一致。如果你在训练时用标准化后的 label部署时漏掉最后一行反标准化会让结果和真实骨龄相差平均 44 个月左右这是决定生死的细节。深度学习中显存不足时不要急着换小模型。先把 batch size 减半观察损失曲线是否依然平滑再把输入尺寸从 256 降到 224。这两种做法对最终指标的损害通常小于更换骨干网络带来的不确定性。4. 用 PyQt5 包 GUI文件选择、线程推理与结果显示4.1 一个能跑的最小 PyQt5 界面QMainWindow、QFileDialog 与 QLabelPyQt5 在毕设里的定位不是做一个花哨的管理系统而是把模型推理包装成桌面工具。用户在界面里选择一张手腕 X 光片程序显示图片并把骨龄预测结果写在界面上。这个工作流拆成三个 UI 元素一个选择图片按钮、一个显示图片的 QLabel、一个显示结果性别、骨龄、耗时的文本标签。QMainWindow 作为主容器布局用 QVBoxLayout简单直接也方便答辩时现场演示。显示图片用 QLabel 配合 QPixmap 就够了不需要引入 QGraphicsView。后者支持缩放和拖动但层级多、信号复杂对这个场景纯属增加工作量。如果后续要做热力图叠加用 QLabel.setPixmap 直接覆盖一张融合图比在 QGraphicsView 里画图元更容易维护。下面是单文件 GUI 的最小骨架。# gui_minimal.py import sys from PyQt5.QtWidgets import (QApplication, QMainWindow, QLabel, QPushButton, QFileDialog, QVBoxLayout, QWidget) from PyQt5.QtGui import QPixmap class BoneAgeApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(骨龄识别检测工具) self.image_label QLabel(点击选择 X 光片) self.image_label.setFixedSize(512, 512) self.result_label QLabel(预测结果--) btn QPushButton(选择图片) btn.clicked.connect(self.open_file) layout QVBoxLayout() layout.addWidget(self.image_label) layout.addWidget(btn) layout.addWidget(self.result_label) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def open_file(self): path, _ QFileDialog.getOpenFileName( self, 选择手腕 X 光片, ., Images (*.png *.jpg *.dcm)) if path: self.image_label.setPixmap(QPixmap(path)) self.result_label.setText(f已选择{path}) if __name__ __main__: app QApplication(sys.argv) win BoneAgeApp() win.show() sys.exit(app.exec_())这段代码里 QFileDialog.getOpenFileName 的返回是选中的路径过滤器。第三个参数 Images (*.png *.jpg *.dcm) 决定文件对话框里能看到哪些文件注意 .dcm 只是让 DICOM 文件可被选中真正读取 DICOM 还需要接 pydicom直接用 QPixmap 打不开 .dcm。PyQt5 安装后如果 Linux 上显示不出来窗口先检查是否装了 xcb 相关的系统库Windows 上一般没有这个问题。控件摆放也是一个得分点图片 label 固定 512×512 后建议按原始宽高比缩放避免 X 光片显示变形。4.2 QThread 与信号槽把模型推理从主线程里摘出去很多第一次写 PyQt5 的人会在按钮的 clicked 信号里直接调用模型 predict界面就会在推理那 1 到 3 秒内卡死鼠标变成转圈状态甚至被系统提示“无响应”。这在答辩演示时非常尴尬。PyQt5 界面卡死的根源是主线程要同时处理窗口消息循环和推理计算推理一旦超过几百毫秒窗口就无法重绘、响应点击。解决方案是一套标准做法QThread 里跑预测逻辑用 pyqtSignal 把结果传回主线程更新界面。注意子线程里的代码不要去碰任何 QWidget 控件比如不要在子线程里直接调 self.result_label.setText()那样会产生跨线程访问控件的问题。正确做法是子线程只管发信号主线程的槽函数负责更新界面。下面给一个推理线程的实现。# inference_thread.py from PyQt5.QtCore import QThread, pyqtSignal import torch import numpy as np import pydicom class PredictThread(QThread): finished_signal pyqtSignal(float, str) # 骨龄(月)提示信息 def __init__(self, model, path, sex, parentNone): super().__init__(parent) self.model model self.path path self.sex sex def run(self): try: img load_xray_to_uint8(self.path) # 见 2.2 节 x torch.from_numpy(img / 255.0).float().unsqueeze(0).unsqueeze(0) x x.repeat(1, 3, 1, 1) # 灰度转 3 通道 pred predict_single(self.model, x, self.sex) self.finished_signal.emit(pred, 推理完成) except Exception as e: self.finished_signal.emit(-1, f推理失败{e})这个线程类把模型推理和文件读取全部放到了 run() 里。predict_single 是 3.3 节里定义好的函数接收预处理过的张量和性别返回反标准化后的骨龄月数。如果图像是 DICOMload_xray_to_uint8 内部要调用 pydicom 读取如果界面选择的是 JPG可以跳过 DICOM 分支但建议让 GUI 同时支持两种输入因为演示素材有时是从网上下载的 JPG不一定有 DICOM。调用方要注意线程生命周期。每次选择文件后如果上一次的线程还在运行直接再 new 一个 QThread 会让旧线程泄漏。一般做法是开一个 self.current_thread 属性在创建新线程之前先把旧线程 wait() 掉。线程结束信号 finished 可以连到清理槽把 self.current_thread 置空。# gui_with_thread.py 关键片段 def start_predict(self, path, sex): if self.current_thread and self.current_thread.isRunning(): self.current_thread.wait() # 等旧线程退出 self.current_thread PredictThread(self.model, path, sex) self.current_thread.finished_signal.connect(self.on_predict_done) self.current_thread.start() def on_predict_done(self, age_month, info): if age_month 0: self.result_label.setText( f骨龄约 {age_month/12:.1f} 岁{age_month:.0f} 个月| {info}) else: self.result_label.setText(info)wait() 是阻塞方法如果旧线程正在跑很慢的推理界面会卡一下。更优雅的做法是给线程发 requestInterruption() 并在 run() 里检查 isInterruptionRequested()但毕设场景里推理时间通常不超过 3 秒用 wait() 简单可靠不会引入新的竞态问题。如果你追求更流畅的体验可以把 wait 换成“先禁用按钮 提示正在处理中”等 finished 信号到了再恢复。4.3 模型加载与推理路径torch 直接推理与 ONNX RuntimeGUI 里的模型加载有两种常见做法。最直接的是训练时只存 state_dictGUI 启动时先实例化 BoneAgeModel(backboneresnet18)再把权重 load 进来代码路径与训练一致调试方便。另一种是把模型 export 成 ONNX用 onnxruntime 推理部署时不再依赖 PyTorch 的完整环境CPU 上也能跑而且 ONNX Runtime 对 X86 平台有深度优化推理延迟通常比 PyTorch CPU 模式低不少。答辩机器大概率没有独立显卡这个要考虑进去。如果本地只有核显笔记本PyTorch CPU 推理可能要用一秒多ONNX Runtime 会明显快一些。做这个题目时我通常两条路都留着本地调试用 PyTorch 直推调好后导出 ONNX 给 GUI 用。导出 ONNX 有一个必改的地方模型的 forward 接收两个输入第二个是性别导出时要固定好张量形状。# export_onnx.py import torch from model import BoneAgeModel model BoneAgeModel(backboneresnet18, pretrainedFalse) model.load_state_dict(torch.load(best_boneage.pth, map_locationcpu)) model.eval() dummy_img torch.randn(1, 3, 256, 256) dummy_sex torch.randn(1) with torch.no_grad(): torch.onnx.export( model, (dummy_img, dummy_sex), boneage.onnx, input_names[x, sex], output_names[age_month], dynamic_axes{x: {0: batch}}, opset_version12 )导出时有一个容易踩的坑性别输入如果 dynamic_axes 没有设置ONNX 会固定 batch 为 1后续推理时 sex 只能传形如 (1,) 的张量。如果想把 batch 维度留成动态就只给第一个输入的 batch 维度设 dynamic。另外训练时的标准化和预处理不会进入 ONNX你需要在 GUI 端把预处理逻辑在传入模型之前手动跑一遍。onnxruntime 推理的代码比 torch 稍微绕一点因为要准备 numpy 数组。一般做法是把图像转成 float32 的 numpy 数组shape 改成 (1, 3, 256, 256)性别拼成 (1,) 的 numpy 数组然后一次性 Session.run。CPU 机器上就用默认的 CPUExecutionProvider。对比维度PyTorch 直接推理ONNX Runtime 推理依赖环境需要 torch 与对应 CUDA 运行时只需要 onnxruntime包更小加载速度首次加载约 1 到 3 秒比 torch 略快CPU 推理相对慢通常快 20% 到 50%模型修改灵活改输入输出固定输入改结构需重新导出调试友好性可打印中间张量易排错出错时信息偏底层# onnx_infer.py import onnxruntime as ort import numpy as np sess ort.InferenceSession(boneage.onnx, providers[CPUExecutionProvider]) def infer_with_onnx(img_np, male): # img_np: (256, 256) uint8 x (img_np.astype(np.float32) / 255.0).reshape(1, 1, 256, 256) x np.concatenate([x, x, x], axis1) # 转为 3 通道 sex np.array([male], dtypenp.float32).reshape(1) pred sess.run([age_month], {x: x, sex: sex})[0] return float(pred[0])这段代码里最容易出错的是 sex 的 shape 对应关系。PyTorch 模型 forward 里 sex 是 (B,) 的向量ONNX 导出时如果不做多余 reshape推理侧输入必须保持 (B,)。如果报 shape mismatch把 sex.reshape(1) 改成 sex.reshape(1, 1) 再试一次看报错信息里的预期维度。这类排错在部署环节属于日常操作但你会记住“导出后重新验证一遍输入输出形状”这个习惯。5. 骨龄识别避坑指南从训练到 GUI 的排错记录5.1 数据与预处理阶段的翻车现场第一个典型的坑用传统图像库读取 X 光片出来的图全是黑的或者预测骨龄永远在 150 个月以上。现象是 GUI 里显示的图片对着一片纯黑模型输出严重偏高。原因在于 DICOM 的像素值范围是 0 到 4095 甚至更高而普通 8 位 JPEG 最大只有 255直接用 PIL 或 cv2 读 DICOM灰度值必然溢出或被截断。解决方法是按 2.2 节的做法先转到 float32、做百分位截断、再归一化到 8 位。如果坚持在 GUI 里用 QPixmap 打开 DICOM得先用 pydicom 转成 QImage再做 QPixmap 转换。第二个坑是数据泄漏现象是训练损失一直很低但验证集指标好得诡异换一批测试图片后立刻打回原形。原因在划分数据集时按行随机切同一个患者的多张片子被拆进了训练集和验证集模型相当于见过“同一只手的双胞胎”评估失去意义。解决方法是按 patient_id 分组后再切这就是 2.1 节必须用 patient_id 的原因。如果你拿到的是单张图一个患者的简化数据集至少要先把重复的 patient_id 找出来在划分前做去重。第三个容易被忽略的坑是性别字段没进模型。很多人按图像单输入训练骨龄 MAE 在验证集上始终下不到 10 个月以下调学习率也没用。原因很简单儿童骨龄发育水平与性别显著相关同一个 12 岁骨龄的男孩和女孩手腕骨化特征差异明显。解法就是第 3 章那样把 male 拼进全连接层或干脆给模型两个输入分支。公开评估允许使用性别信息这在临床上也成立不算作弊。5.2 训练阶段loss 震荡与“只看准确率”的误区训练中经常遇到 loss 曲线像锯齿一样来回跳或者某一轮开始大幅飙升并且伴随 NaN。现象是训练到 10 到 20 个 epoch 后 loss 突然变成 NaN然后整个模型权重丢失需要重新加载 checkpoint。原因通常是学习率过大、batch size 过大、或者图像预处理里除 0 导致输入出现 NaN。其中“除 0”最隐蔽2.2 节的 (hi - lo 1e-6) 如果不用 eps 保护在极端图像上可能得 0 分母。解决方法是先检查输入张量里是否出现 NaN再逐步降学习率。如果是 fp16 混合精度训练NaN 还可能是损失缩放因子问题直接关掉 amp 或改用 bf16 试试。关于指标骨龄识别领域真正该盯的是 MAE 和 ±12 个月内的占比不是分类准确率。很多人把输出四舍五入到最近的整数月然后算“预测准确率”得出的准确率只有 30% 左右就开始怀疑模型有问题。这其实是评估口径选错了误差在 6 个月以内都算完全可接受的临床水平。我们应该用“±1 岁以内命中率”作为第二个展示指标答辩时也容易讲清楚价值。5.3 部署阶段PyQt5 卡死与模型文件兼容性部署阶段最常见的坑是界面卡死前面第 4 章说过原因就是推理逻辑放在主线程里。另一种现象是程序启动时加载模型特别慢大约 2 到 3 秒如果加载也放在主线程窗口会出现白屏。解决方法是把模型加载也挪到 QThread或者至少在启动入口用 QApplication.processEvents() 刷新一次界面。模型加载是一次性的UI 卡感可以接受但最好让用户有“正在加载模型”的提示。PyQt5 版本差异也会让人措手不及。现象是在一台机器上运行正常的代码搬到另一台机器后报错 no attribute exec_。原因是 PyQt5 的 app.exec_() 在 PyQt6 里改了名统一为 exec()。如果你的代码里写死了 exec_新环境直接报错。解决方法是统一使用 app.exec()PyQt5 也兼容这个写法。如果机器上同时装过 PyQt5 和 PyQt6检查 import PyQt5 的路径避免两个命名空间混在一起。最后一个模型文件层面的坑torch.save 保存的完整模型对象包含类定义引用如果在 GUI 机器上重命名或移动了 model.pyload 时会报 ModuleNotFoundError。这就是为什么训练时建议只保存 state_dict。state_dict 不依赖类定义的具体路径只需要网络结构一致。如果用别人给的 pth 文件第一件事是用 torch.load(map_locationcpu) 打印出键名对照自己模型的 state_dict 看少了哪个层不要直接 load 就报 KeyError。6. 让骨龄识别从“能跑”到“能答辩”热力图验证与界面加分项训练完模型、GUI 能出结果之后如果还想让评分和答辩效果上一个台阶最值得做的一件事是给模型加一张 Grad-CAM 热力图。骨龄判读在临床上的逻辑是观察桡骨远端、尺骨远端和各块腕骨骨化中心的发育程度如果模型能把这些区域“点亮”说明它学到了有医学意义的结构特征而不是在背图像背景。反过来说如果热力图集中在图片角落或者整个背景上即使 MAE 很低也很难说服答辩老师相信模型有泛化能力。常见的做法是选择骨干网络最后一个卷积层作为特征来源计算类别激活映射后叠加到原图上生成一张带透明度的热力图 PNG再直接在界面结果显示区域用第二个 QLabel 展示。这一层改动不需要动模型结构只需要在推理线程里多跑一次钩子。我这样排查过一次“模型在训练集上 MAE 6 个月、测试集 MAE 25 个月”的问题最后发现热力图显示的关注区域在图像左上角那里恰好是拍摄日期水印的位置。删掉那块噪声、重新做 ROI 裁剪后测试集 MAE 回落到 9 个月这个经验让我在项目里一直保留 ROI 预处理步骤。另一个不费事的加分项是训练曲线记录。在训练脚本里把每个 epoch 的 train_loss、val_mae、learning_rate 都写进 CSV最后用 matplotlib 画三张曲线图。如果训练结束时 val_mae 已经连续 5 个 epoch 不降就在答辩时说“我用早停策略避免过拟合”。每次实验前固定好 seed 并记录一个实验编号能让你在对比不同预处理方案时少走很多弯路。这套习惯帮我少踩了不少坑也让我从“只调模型”的思维转成“把数据、模型、界面当作一条完整链路”去检查。希望帮到你祝你的骨龄识别毕设一次跑通。本文还有配套的精品资源点击获取