基于 VMamba 与频域特征金字塔的乳腺超声病灶智能分割与辅助诊断系统产品系统Vibe Coding

立项原因：乳腺超声阅片主观性强、病灶边界难以精确勾勒，BI-RADS分级依赖医生经验，基层诊断一致性难以保障。本项目旨在解决超声病灶分割精度不足、分级与报告流程不规范、模型在临床终端推理慢的产品问题。
行业场景与业务背景：面向超声影像科与乳腺疾病筛查场景，为医院及体检筛查机构提供病灶分割、良恶性分类、BI-RADS分级、生物标志物提取与结构化报告生成的全流程辅助诊断能力，支持PyTorch/ONNX双推理引擎与INT8量化部署，满足临床实时性与低成本要求。

图像上传与智能分割模块 ：支持 B 模式超声图像及 DICOM 格式医学影像的上传与标准化处理，基于自研的 FreqFPN+VMamba-Tiny+U-Net++ 混合模型自动分割乳腺病灶区域，输出分割掩码、病灶可视化叠加图及边界轮廓。
辅助分析与 BI-RADS 分级模块 ：对分割结果进行形态学特征提取（面积、长宽比、圆形度等），结合 BI-RADS 分级规则与 ResNet50+MLP 分类模型的良/恶性分类结果，给出综合诊断建议。结构化报告生成模块 ：自动整合患者信息、检查参数、病灶特征与分级结果，生成包含 PDF 与 JSON 双格式的结构化诊断报告，支持在线预览与下载。
患者与检查管理模块 ：提供患者档案的增删改查、病历号自动生成、医生自动分配机制；支持检查记录的多模型推理、审核流转与数据打回复核。
数据治理与系统管理模块 ：通过 RBAC 多角色权限体系（超级管理员/管理员/医生）实现细粒度访问控制，提供用户管理、系统自检、模型 Benchmark 压测与推理状态实时监控。
数据概览仪表盘 ：展示总检查数、完成率、审核率、BI-RADS 分级分布、GPU/CPU 运行状态及模型部署健康度等关键指标。

模型层 ：采用 FreqFPN 频域特征金字塔（FFT+DCT）+ VMamba-Tiny 状态空间模型编码器 + U-Net++ 嵌套解码器的混合架构，融合多尺度频域感知与全局语义建模；损失函数为动态类别平衡 Focal Loss + Dice Loss 组合，辅助头采用 ResNet50+MLP 进行良/恶性分类；支持 PyTorch 原生推理、ONNX Runtime 部署与 INT8 量化加速三种推理后端，并通过 Fallback 机制实现模型不可用时的平滑降级。
后端服务 ：基于 FastAPI 构建异步 RESTful API，使用 SQLAlchemy 操作 PostgreSQL 数据库，MinIO 提供对象存储（原始图像、分割结果、PDF 报告），JWT 实现身份认证与基于角色的访问控制（RBAC），Alembic 管理数据库迁移。
前端界面 ：Vue 2 + Element UI 单页应用，ECharts 实现可视化图表；路由守卫结合权限判断，动态菜单与视图按需加载。
部署 ：Docker Compose 编排 PostgreSQL、MinIO、FastAPI 后端与 Nginx 反向代理，支持 Linux+CUDA GPU 环境下的完整 VMamba 推理及 CPU/ONNX 降级推理。