结肠腺癌与良性结肠组织图像分类数据集

本数据集包含结肠腺癌与良性结肠组织图像，通过深度学习训练，模型自动提取特征，区分结肠腺癌与正常结肠组织并输出分类标签与置信度，为临床提供辅助诊断，推动结肠癌智能诊断与早期筛查。

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

本数据集用于结肠腺癌与良性结肠组织图像的分类模型训练与验证，包含两类样本：结肠腺癌（Colon Adenocarcinoma）和良性结肠组织（Benign Colon Tissue）。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）进行结肠腺癌与良性结肠组织图像特征学习。
（2）性能评估：用于测试模型在结肠腺癌与良性结肠组织分类任务中的准确率、召回率、F1值等指标。
（3）特征分析：研究结肠腺癌与良性结肠组织在结构、纹理与细胞形态等方面的差异。
（4）系统开发：为结肠癌智能诊断系统、医学影像辅助诊断平台及筛查系统提供数据支持。

数据集须知

（1）数据来源：基于公开的结肠腺癌与良性结肠组织图像数据集，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（结肠腺癌、良性结肠组织）。
（3）文件格式：图像文件为.jpg格式（按类别文件夹组织），文件命名与类别标签严格对应。
（4）使用要求：需遵守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：适用于结肠腺癌与良性结肠组织的图像识别、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

训练精度逐步提升并稳定，验证精度保持高水平，训练损失和验证损失较低，说明模型已经收敛并在训练和测试集上表现出色，验证了模型的稳定性和高效性。

混淆矩阵热力图：

图4 混淆矩阵热力图

混淆矩阵显示了模型的完美预测，对角线上的1.0表示所有样本被准确分类，非对角线上的0.0表明没有错误分类，显示出模型零误差的优异性能。

各类的分类性能评估：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

该图显示了模型在训练和测试集上的评估指标，所有指标（准确率、精确度、召回率、F1分数）均为1.0，表明模型在结肠腺癌（colon_aca）和良性结肠组织（colon_n）的分类中表现完美，能够有效区分两类数据。