脑血管疾病中风图像分类数据集

本数据集包含两类脑血管疾病影像样本：健康脑部和脑中风。旨在构建高精度的图像分类模型，实现对脑血管健康状态的自动识别与判定。通过对大量标注清晰的脑中风影像进行深度学习训练，模型能够自动提取脑部关键特征，区分健康脑部与脑中风，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在脑中风早期筛查与智能诊断中的应用，助力实现脑中风医疗影像分析的标准化与智能化。

整理：Bob

数据集概览

数据图像：

图1 样本图像

数据类型：

表1 数据类型与格式

数据规模：
（1）数据集划分饼图

图2 数据集划分饼图

数据集类别

表3 类别定义

数据集来源

表4 数据集来源与说明

数据集用途

本数据集用于脑血管疾病中风影像的分类模型训练与验证，包含两类样本：健康脑部（Control）和脑中风（Stroke）。可应用于以下研究与开发方向：
（1）模型训练：支持基于深度学习的图像分类模型（如ResNet50、VGG16、Swin Transformer）进行脑血管疾病影像特征学习。
（2）性能评估：用于测试模型在健康脑部与脑中风分类任务中的准确率、召回率、F1值等性能指标。
（3）特征分析：研究不同脑血管疾病影像在结构、纹理及组织特征等方面的差异。
（4）系统开发：为脑血管疾病智能诊断系统、医学影像辅助诊断平台及健康筛查系统提供数据支持。

数据集须知

（1）数据来源：基于公开的脑血管疾病中风影像数据集，仅限科研与教学用途。
（2）数据结构：包含训练集与测试集，分为两类样本（健康脑部、脑中风）。
（3）文件格式：图像文件为.jpg格式，文件命名与类别严格对应。
（4）使用要求：需遵守脑血管疾病医学影像数据隐私与伦理保护相关规定，引用时须注明数据来源。
（5）适用范围：适用于脑血管疾病中风影像识别、分类、特征提取及智能诊断系统研究。

数据集性能

训练与验证准确率和损失曲线：

图3 训练与验证准确率和损失曲线线

该图展示了训练和验证准确率及交叉熵损失随训练轮次的变化。训练准确率迅速上升并趋于稳定，表明模型在训练数据上学习效果良好；验证准确率逐渐接近训练准确率，显示出较好的泛化能力。训练损失快速下降并保持较低水平，说明误差减少；验证损失虽有波动，但整体下降，可能存在轻微过拟合。总体而言，模型表现出良好的学习与泛化能力。

混淆矩阵热力图：

图4 混淆矩阵热力图

该热力图展示了模型的混淆矩阵结果。左上角的0.99表示99%的“正常”样本被正确预测，右上角的0.01表示1%的“正常”样本误预测为“中风”。左下角的0.02表示2%的“中风”样本误预测为“正常”，右下角的0.98表示98%的“中风”样本被正确预测。总体而言，模型表现出色，准确率高。

各类认知障碍的分类性能评估：准确率、精确率、召回率与F1分数图

图5 各类的分类性能评估：准确率、精确率、召回率与F1分数图

该图展示了模型的评估指标，包括准确率、精确度、召回率和F1分数。整体准确率为0.99，表明模型表现良好。精确度为0.98和0.99，召回率为0.99和0.98，F1分数均为0.99，显示模型在“正常”和“中风”类别上的预测效果均衡，且表现出色。