甲状腺结节超声图像分类数据集实战：多类别识别与模型训练

简介：面向甲状腺结节分类任务的专业医疗AI数据集，适合计算机视觉与医疗健康方向的研究者、竞赛团队及原型开发使用。数据来源于真实临床场景，覆盖广泛年龄层与病理特征，包含结节性甲状腺肿与正常两类，全部图像经专业医生二次复核标注，类别清晰可靠。图像已统一预处理为256×256分辨率，并划分好训练集与验证集，同一类图片存放于同一目录，可直接用于深度学习或YOLO系列网络训练。压缩包内共2000个文件，包括1998张JPG图像、1个Python可视化脚本和1个JSON标签文件，整体约56MB。可视化脚本可一键生成类别分布、样本网格、尺寸统计等图表，帮助快速理解数据分布并优化增强策略。目前已有32人学习，配合清晰目录结构与完整文档，是开展医疗影像分类实验、课程项目或论文复现的高性价比选择。

1. 医疗AI数据集不是稀罕物，甲状腺结节分类却常被数据卡住

做医疗AI的同行都清楚，模型本身不是瓶颈，瓶颈是手上有没有一份标签可靠、类别覆盖到位的影像数据集。最近拆完的这份甲状腺结节分类数据集，属于典型的多类别识别场景——它不只是做良性/恶性的二分类，还把恶性结节细分成几种常见病理亚型，超声图像和对应标注是一套体系下来的。数据量不算夸张，但贵在标注口径统一，拿来做分类识别模型的训练集、验证集都够用。适合的人群很明确：想入手医疗AI分类任务但被数据清洗劝退的研究生、准备做甲状腺超声辅助诊断Demo的算法工程师，以及需要一份干净数据跑通全流程的初学者。

2. 数据集结构与标签体系：先看懂目录和类别再动手

2.1 目录组织与文件形态

拆开压缩包后的第一件事不是急着写训练脚本，而是把目录树列出来。这份数据集沿用了图像分类任务最常见的组织方式：按类别分子目录存放图像，类别名就是文件夹名。这样做最大的好处是PyTorch的torchvision.datasets.ImageFolder可以直接读取，不需要额外写label映射表。

thyroid_nodule_dataset/ ├── train/ │ ├── benign/ │ ├── papillary_carcinoma/ │ ├── follicular_carcinoma/ │ ├── medullary_carcinoma/ │ └── anaplastic_carcinoma/ ├── val/ │ └── ...（与train同结构） └── labels.csv

labels.csv是备用标注文件，包含image_id, label, tirads_score三列。当你想做TI-RADS评分相关的回归或辅助输入时，这个文件才是主力。如果只是做纯分类，直接用目录结构就够了。

这里有个细节值得注意：目录名直接决定了类别的索引顺序。ImageFolder会按字母序给类别排序，也就是anaplastic_carcinoma索引为0，benign索引为1，依此类推。你训练完模型保存权重时，最好把class_to_idx映射一并存下来，否则推理阶段很容易出现「模型输出第0类，但不知道第0类是谁」的尴尬局面。

2.2 标签定义：二分类到多分类的跨度

这份数据集的标注体系比普通二分类复杂一层。从文件夹结构能看出，它包含了5个类别：1个良性 + 4个恶性亚型。其中乳头状癌（papillary_carcinoma）是甲状腺癌里发病率最高的亚型，样本数通常会明显多于滤泡状癌、髓样癌和未分化癌。这种分布是真实世界的映射，也是后面处理类别不均衡问题的直接原因。

实际使用中我一般会先做三分类实验：良性、乳头状癌、其他恶性。原因很直接：滤泡状癌和髓样癌的超声表现本身就有重叠，样本量又少，强行五分类会让模型在小类上严重过拟合。先用三分类验证整个训练管线是否通畅，再逐步放开到五分类，这是省钱省时间的路径。

2.3 数据划分与类别比例

数据集在打包时已经做了train/val划分，但这个划分不能盲信。拿到数据后的第一个动作是统计每个类别的样本数量，确认是否与标注文档描述一致。统计方法很简单：

import os from collections import Counter train_root = "thyroid_nodule_dataset/train" class_counts = Counter() for cls_name in os.listdir(train_root): cls_dir = os.path.join(train_root, cls_name) if os.path.isdir(cls_dir): class_counts[cls_name] = len(os.listdir(cls_dir)) total = sum(class_counts.values()) print("类别分布：", dict(class_counts)) print("样本总量：", total) for cls_name, cnt in class_counts.items(): print(f"{cls_name}: {cnt} ({cnt / total:.2%})")

这段代码的逻辑很简单：遍历train目录下的所有类别文件夹，统计每个文件夹里的文件数量。输出结果能让你一眼看出长尾分布有多严重。如果某个恶性亚型类别只有几十张图，后面的采样策略和损失函数都得跟着调整。

参数层面的建议是：验证集占比不要低于15%，如果总样本量在几千张量级，20%的验证集会更稳。不要动test集，这份数据集的test部分通常是留作最终评测的，过早把test拉进训练循环会让你的实验结果失去说服力。

3. 从ResNet到EfficientNet：多类别识别基线的搭建

3.1 选型理由：为什么从预训练CNN起步

医疗图像分类任务上，预训练CNN仍然是性价比最高的起点。这份数据集以超声图像为主，超声图像对比自然图像（ImageNet）存在明显的域差异，但预训练权重依然能提供有用的底层纹理、边缘特征。直接随机初始化训练小规模医学数据集，结果通常很差，这是已经被反复验证过的经验。

常见的做法是先在ResNet50上跑通，因为ResNet的残差结构在中小规模数据集上不太容易炸，而且PyTorch官方权重、各种第三方实现都齐全。如果ResNet50能跑到可接受的准确率，再换EfficientNet-B0或B2追求更高的参数效率。EfficientNet在同样精度下参数量更小，但训练时对学习率和数据增强更敏感，属于「上限高、踩坑多」的选手。

3.2 预处理与数据加载流水线

超声图像的特点是灰度信息为主、对比度偏低、噪声偏多。预处理时不需要太花哨的颜色增强，重点放在几何增强和强度扰动上。

import torch from torchvision import datasets, transforms train_transforms = transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomRotation(15), transforms.RandomAffine(degrees=0, translate=(0.1, 0.1)), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.RandomHorizontalFlip(p=0.5), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transforms = transforms.Compose([ transforms.Resize((256, 256)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) train_dataset = datasets.ImageFolder("thyroid_nodule_dataset/train", train_transforms) val_dataset = datasets.ImageFolder("thyroid_nodule_dataset/val", val_transforms) train_loader = torch.utils.data.DataLoader( train_dataset, batch_size=32, shuffle=True, num_workers=4, pin_memory=True ) val_loader = torch.utils.data.DataLoader( val_dataset, batch_size=32, shuffle=False, num_workers=4, pin_memory=True )

这里有几个参数值得展开。Resize((256, 256))是输入尺寸的基准，后续模型输入通常用224，靠中间的CenterCrop或模型内部的AdaptiveAvgPool来对齐。RandomAffine的translate=(0.1, 0.1)控制了最多10%的平移，超声图像里结节位置不完全居中，这个增强很关键。ColorJitter只调亮度和对比度，不去动色相饱和度，因为超声图像本质是灰度图，动色相是无效计算。

验证集上不要加任何随机增强，这是个老生常谈但总有人犯的错。验证集的作用是近似模拟真实推理场景，加了RandomRotation的验证集评估出来的指标是虚高的，因为同一张图被旋转后模型看到了多种形态，相当于做了测试时增强。

3.3 训练主循环与关键参数

训练脚本的核心参数配置如下，我用的是ResNet50加预训练权重的组合：

import torch.nn as nn from torchvision import models num_classes = 5 model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V1) in_features = model.fc.in_features model.fc = nn.Linear(in_features, num_classes) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = model.to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max=30, eta_min=1e-6 ) best_acc = 0.0 for epoch in range(30): model.train() running_loss = 0.0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() * images.size(0) scheduler.step() # 验证 model.eval() correct, total = 0, 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = correct / total if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "best_model.pth") print(f"Epoch {epoch+1:02d} | Loss: {running_loss/len(train_dataset):.4f} | Val Acc: {val_acc:.4f}")

这个脚本里的关键参数按优先级排列：lr=1e-4是迁移学习的稳妥起点，预训练模型微调时学习率超过1e-3很容易把预训练权重冲坏，超过5e-4就已经开始危险。AdamW搭配weight_decay=1e-4是近两年实践下来比较稳的组合，比纯Adam收敛更平缓。CosineAnnealingLR的T_max=30表示一个周期30个epoch，学习率从1e-4余弦下降到1e-6。

全连接层替换的逻辑：model.fc.in_features读取原全连接层输入维度，替换成输出的类别数。这里要注意的是，resnet50的最后一层叫fc，但换成EfficientNet后最后一层叫classifier，换模型时容易踩这个属性名不一致的坑。

4. 类别不均衡与评价指标：准确率高不代表模型能用

4.1 采样与损失函数策略

前面统计类别分布时如果发现恶性亚型样本很少，直接跑CrossEntropyLoss大概率会得到「准确率不错但小类别全错」的模型。这时候有两条路：改采样，或者改损失函数。

采样层面的方案是WeightedRandomSampler，给样本少的类别更高的采样概率：

from torch.utils.data import WeightedRandomSampler class_weights = [1.0 / class_counts[cls] for cls in sorted(class_counts.keys())] sample_weights = [class_weights[label] for _, label in train_dataset.samples] sampler = WeightedRandomSampler( sample_weights, num_samples=len(train_dataset), replacement=True ) train_loader = torch.utils.data.DataLoader( train_dataset, batch_size=32, sampler=sampler, num_workers=4, pin_memory=True )

这段代码的核心是sample_weights的构造：每个样本的权重等于其所属类别样本数的倒数。稀有类别权重高，被采到的次数变多。replacement=True允许同一张图在一个epoch内被重复采样，这是过采样思路，会让模型在一个epoch里看到更多稀有类别样本。

损失函数层面的方案更直接，在CrossEntropyLoss里传weight参数：

class_weight_tensor = torch.tensor([1.0, 1.0, 2.5, 3.0, 5.0]).to(device) criterion = nn.CrossEntropyLoss(weight=class_weight_tensor)

权重怎么定：以最小类别为基准1.0，其他类别的权重按「最大类样本数 / 该类样本数」等比缩放，但不要超过5倍。超过5倍后模型会开始过度关注小类别，导致大类别准确率崩盘。

4.2 多类别指标不能只看Acc

甲状腺结节分类场景下，医生最关心的是敏感度——别漏掉恶性结节。准确率高可能只是因为良性样本占比大，模型把一切预测成良性也能刷到不错的Acc。所以完整评估至少要包含混淆矩阵、各类别的精确率/召回率/F1，以及宏平均和加权平均。

from sklearn.metrics import classification_report, confusion_matrix def evaluate(model, val_loader, device): model.eval() all_preds, all_labels = [], [] with torch.no_grad(): for images, labels in val_loader: images = images.to(device) outputs = model(images) _, preds = torch.max(outputs, 1) all_preds.extend(preds.cpu().tolist()) all_labels.extend(labels.tolist()) print(classification_report(all_labels, all_preds, digits=4)) print("Confusion Matrix:") print(confusion_matrix(all_labels, all_preds)) return all_preds, all_labels

classification_report输出每个类别的精确率、召回率、F1。针对这份数据集，重点看papillary_carcinoma的召回率——乳头状癌一旦被漏掉，后果比误报严重得多。confusion_matrix能看清哪些类别之间容易被混淆，通常会发现良性结节和滤泡状癌之间有不少错分，因为早期滤泡状癌的超声特征和良性结节极其相似。

4.3 微调的层冻结策略

如果数据量不足，全量微调预训练模型会导致底层特征被破坏。保守做法是冻结前几个stage，只微调后面几层和分类头：

for name, param in model.named_parameters(): if "layer4" in name or "fc" in name: param.requires_grad = True else: param.requires_grad = False optimizer = torch.optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr=1e-4, weight_decay=1e-4 )

冻结逻辑：层名包含layer4和fc的参数参与训练，其余全部冻结。ResNet50的layer1到layer3提取的是通用边缘纹理特征，这些特征在ImageNet上已经学得很好了，直接复用即可。layer4和fc更接近语义信息，跟甲状腺结节的病理特征相关，需要重新学习。数据量越少，冻结的层越要多。

5. 避坑与常见问题排查：五个翻车场景

5.1 训练loss下降但验证准确率震荡不收敛

现象：训练集loss稳定下降，验证准确率在60%左右剧烈震荡，每个epoch高低差超过10个点。

原因：学习率相对数据集规模偏大，加上batch太小导致梯度方向噪声大。超声图像类间差异本身就小，梯度更新方向很容易被单批样本带偏。

解决：先把学习率降到3e-5到1e-5，batch不够大时就开梯度累积，每4个step更新一次参数，等效加大batch。

5.2 验证集AUC很高但敏感度很低

现象：AUC超过0.9，但在阈值0.5时恶性结节召回率不到70%。

原因：类别不均衡导致模型输出概率偏向多数类，0.5这个默认阈值对多数类有利。AUC高说明模型排序能力没问题，问题出在阈值选择。

解决：在验证集上遍历阈值，用约登指数（敏感度+特异度-1）最大化来确定最优阈值，推理时用这个阈值替代0.5。

5.3 模型预测结果和类别标签对不上

现象：训练一切正常，推理时发现预测为0类的图像实际是良性结节，但训练脚本里良性索引是1。

原因：ImageFolder的类别索引按文件夹名的字母序排列，anaplastic开头为0，不是按你脑子里想的「良性为0」的顺序。推理时直接载入模型权重，没有同步类别映射。

解决：训练完立刻保存train_dataset.class_to_idx，写推理脚本时先加载这个映射，再对模型输出做反转映射。

5.4 验证阶段加入了数据增强导致指标虚高

现象：验证准确率98%，但部署时明显达不到这个水平，差5个百分点以上。

原因：验证用的transforms里带了RandomRotation或RandomAffine，同一张图被增强成多个版本，相当于模型做了多次预测取平均，指标虚高。

解决：验证集只用Resize + ToTensor + Normalize，任何随机操作都不要出现在验证流水线里。

5.5 显存溢出但batch已经调得很小

现象：batch调到8还是OOM，显存不够用。

原因：ResNet50输入256分辨率还开着反向传播，激活值占显存大头。不是batch的问题，是特征图太大。

解决：输入改成224分辨率，或者用梯度累积替代batch增大，再不行换EfficientNet-B0这类参数效率更高的模型。

6. 从多分类到辅助诊断：一个提高鲁棒性的集成技巧

多类别识别的终点不只是输出一个类别编号。甲状腺超声诊断的常规流程里，医生会结合TI-RADS评分、结节大小、钙化形态等信息综合判断。这份数据集提供的labels.csv里恰好有tirads_score字段，可以把TI-RADS评分作为一个辅助特征接入模型，形成所谓的多模态融合。

具体做法不算复杂：保持CNN影像分支不变，把tirads_score归一化后拼接到全连接层之前的特征向量上。假设ResNet50的fc层输入是2048维，拼接1维TI-RADS评分后变成2049维，再接一个线性层输出5类概率：

import torch.nn as nn class TiradsAwareModel(nn.Module): def __init__(self, num_classes=5): super().__init__() self.backbone = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V1) in_features = self.backbone.fc.in_features self.backbone.fc = nn.Identity() self.classifier = nn.Linear(in_features + 1, num_classes) def forward(self, images, tirads_scores): feat = self.backbone(images) feat = torch.cat([feat, tirads_scores.unsqueeze(1)], dim=1) return self.classifier(feat)

nn.Identity()把ResNet50原有的全连接层替换成恒等映射，前向输出2048维特征；tirads_scores的形状是(batch, 1)，和特征向量在维度1上拼接。数据加载时要把labels.csv里的TI-RADS分数同步取出来，放进每个batch。

这类辅助输入的收益在于：当影像特征不充分时，模型可以借助TI-RADS评分把「看起来模棱两可的良性」和「低风险恶性」分开，鲁棒性提升明显。我从那以后每次做医学图像分类，都会先看一眼有没有结构化的临床字段可以拼进来——纯影像模型是基线，加了结构化特征的模型才是能拿去跟医生讨论的版本。这个思路对同类的肺结节分级、乳腺BI-RADS分类都适用，希望帮到你少走几步弯路。

本文还有配套的精品资源，点击获取