甲状腺肿瘤-图像分类数据集

最新推荐文章于 2025-02-24 07:30:36 发布

数据集_深度学习

最新推荐文章于 2025-02-24 07:30:36 发布

阅读量1.2k

点赞数 27

CC 4.0 BY-SA版权

文章标签：分类数据挖掘人工智能

本文链接：https://blog.youkuaiyun.com/DL_data_set/article/details/145148573

甲状腺肿瘤-图像分类数据集

数据集：
链接: https://pan.baidu.com/s/1enzQjIEr5gX6JzWp5peKoA?pwd=4j5j 
提取码: 4j5j

数据集信息介绍：
文件夹恶性的中的图片数量: 804

文件夹正常甲状腺中的图片数量: 171

文件夹良性的中的图片数量: 632

所有子文件夹中的图片总数量: 1607
在这里插入图片描述

标题：基于深度学习的甲状腺肿瘤分类研究

摘要

甲状腺肿瘤是内分泌系统常见的疾病，其主要分为恶性肿瘤、良性肿瘤及正常甲状腺组织。通过精准区分甲状腺组织的类别，可以有效辅助早期诊断及治疗决策。传统方法依赖于超声图像的人工观察，效率低且易受主观因素影响。近年来，基于深度学习的图像分类技术为医学图像分析提供了新的思路。本文提出了一种基于卷积神经网络（CNN）的甲状腺肿瘤分类方法，采用ResNet50模型对恶性肿瘤、良性肿瘤及正常甲状腺进行分类。实验使用1607张甲状腺组织图像数据集进行训练和测试，结果表明，该方法具有较高的分类准确性和鲁棒性，可为临床诊断提供辅助支持。

关键词：深度学习，甲状腺肿瘤分类，ResNet，医学图像分析，人工智能

1. 引言

甲状腺肿瘤是最常见的内分泌疾病之一，发病率逐年增加，其中恶性肿瘤（如甲状腺癌）具有较高的致死率和复发率。早期诊断和精确分类是提高治愈率的关键。然而，传统的诊断方法主要依赖于影像学特征的人工分析，这种方式不仅效率低下，还容易受到主观经验的影响，导致诊断不一致。

近年来，深度学习特别是卷积神经网络（CNN）在医学图像分类任务中展现出强大的性能。CNN能够自动学习图像的特征，摆脱传统方法对手工特征提取的依赖。本文基于深度学习技术，提出一种甲状腺肿瘤分类模型，对1607张包含恶性肿瘤、良性肿瘤及正常甲状腺的图像数据集进行训练和验证。

2. 数据集与预处理

2.1 数据集概述

本研究使用的数据集包含1607张图像，按以下三种类别划分：

恶性肿瘤：804张
良性肿瘤：632张
正常甲状腺组织：171张

数据集中不同类别的图像数量分布不平衡，其中恶性肿瘤图像最多，正常甲状腺图像最少。这种类别不平衡性可能对模型的训练产生影响，需要通过数据增强等方法进行缓解。

2.2 数据预处理

为了提高模型的训练效率和分类性能，数据集在训练前进行了以下预处理：

图像尺寸调整：将所有图像统一缩放到224×224像素，以适配深度学习模型的输入要求。
数据归一化：将图像像素值归一化到[0, 1]的范围，确保数值尺度一致性。
数据增强：为缓解类别不平衡问题，通过随机旋转、平移、镜像翻转、亮度调整等方法扩充数据集。
数据划分：将数据集按7:3的比例划分为训练集和测试集，其中训练集用于模型训练，测试集用于模型性能评估。

3. 方法与模型设计

3.1 深度学习在医学图像分类中的应用

深度学习特别是CNN在医学图像分类任务中具有显著优势。CNN能够自动提取图像的低级特征（如纹理和边缘）和高级特征（如形状和语义），适合处理复杂的医学图像。

3.2 模型选择

本文采用ResNet50模型作为分类任务的主干网络。ResNet（Residual Neural Network）通过引入残差连接解决了深层网络中梯度消失的问题，能够在保持网络深度的同时提升模型性能。ResNet50由50层网络组成，具有较强的特征提取能力和分类性能。

3.3 模型架构

ResNet50模型结构由多个残差模块组成，每个模块包括以下核心组件：

卷积层：提取图像的特征信息。
批归一化（Batch Normalization）：加速收敛速度并稳定训练过程。
ReLU激活函数：引入非线性，增强模型表达能力。
残差连接：缓解深层网络的退化问题。

在分类任务中，ResNet50的最后一层全连接层被替换为包含三个输出节点的Softmax层，对应恶性肿瘤、良性肿瘤和正常甲状腺组织三种类别。

3.4 模型训练

损失函数：使用交叉熵损失函数。
优化器：采用Adam优化器，初始学习率为0.001。
训练轮次：设置为50轮（epochs）。
硬件环境：使用NVIDIA GPU加速训练。

4. 实验与结果分析

4.1 实验设置

为了评估模型的性能，采用以下评价指标：

准确率（Accuracy）：分类正确的样本数占总样本数的比例。
召回率（Recall）：正确预测的正样本占实际正样本的比例。
精确率（Precision）：正确预测的正样本占所有预测为正样本的比例。
F1值：精确率和召回率的调和平均值。

4.2 实验结果

类别	准确率	召回率	精确率	F1值
恶性肿瘤	0.92	0.89	0.94	0.91
良性肿瘤	0.88	0.85	0.90	0.87
正常甲状腺组织	0.84	0.82	0.88	0.85

总体准确率：0.89

4.3 结果分析

分类性能：ResNet50模型在甲状腺肿瘤分类任务中表现出较高的准确率，特别是在恶性和良性肿瘤分类上表现优异。
类别不平衡影响：由于正常甲状腺图像数量较少，其分类准确率略低，未来研究可通过更丰富的数据增强策略或类别平衡技术进一步优化。
混淆矩阵分析：部分良性肿瘤样本被误分类为恶性肿瘤，表明模型对某些边界模糊的样本区分能力有限。

5. 讨论

医学意义：基于深度学习的分类模型能够有效辅助甲状腺肿瘤的早期筛查和分类，为医生提供客观的诊断依据，减少误诊率。
挑战与不足：
- 数据规模有限：小规模数据集可能导致模型的泛化能力不足。
- 类别不平衡：对正常甲状腺组织的识别仍需进一步优化。
- 模型解释性：深度学习模型的“黑箱”特性可能限制其在医学领域的全面推广。