Breast Ultrasound Images Dataset|医学影像数据集|乳腺疾病数据集

本研究使用的公开数据集名为“乳腺超声图像数据集”，包含来自600名年龄在25至75岁之间的女性患者的乳腺超声图像，分为正常、良性、恶性三类。数据集共有780张图像，平均分辨率为500×500像素。

The publicly available dataset utilized in this study is named the 'Breast Ultrasound Image Dataset'. It comprises breast ultrasound images from 600 female patients aged between 25 and 75 years, categorized into normal, benign, and malignant classes. The dataset contains a total of 780 images, with an average resolution of 500×500 pixels.

原始信息汇总

数据集概述

数据集名称

CNN-Architectures-on-Breast-Ultrasound-Images-Dataset

数据集目的

用于比较分析不同卷积神经网络（CNN）架构在乳腺超声图像上的表现，探索早期乳腺癌检测的有效性。

数据集内容

• 数据来源: 600名年龄在25至75岁之间的女性患者。
• 图像分类: 分为正常、良性、恶性三类。
• 图像数量: 总计780张图像，其中良性487张，恶性210张，正常133张。
• 图像分辨率: 平均分辨率为500 × 500像素。
• 数据收集设备: LOGIQ E9和LOGIQ E9 Agile超声系统。
• 数据预处理: 移除重复图像，修正标注，将DICOM格式转换为PNG格式。

数据增强

采用旋转、平移、缩放、剪切和翻转等技术进行数据增强，以解决类别不平衡问题，增强模型鲁棒性。

实施的CNN架构

• EfficientNet
• Inception-ResNet-V2
• ResNet50
• MobileNet
• VGG16
• Depth-based CNN
• AlexNet
• VGG19
• PolyNet

结果与结论

• 表现最佳模型:
  • MobileNet: 83%的准确率，因其轻量级架构而有效提取特征。
  • Inception-ResNet-V2: 80%的准确率，因其创新的Inception和ResNet架构组合而表现出色。
• 其他观察:
  • VGG16和VGG19: 虽然准确率高，但损失也高，可能存在过拟合。
  • Depth-based CNN和AlexNet: 准确率较低。
  • PolyNet: 学习区分性特征困难。
  • EfficientNet: 准确率相对较低，但因其效率适合资源受限环境。

结论

选择合适的CNN架构对于准确分类乳腺超声图像至关重要，不同模型在效率或特征提取方面表现各异，过拟合问题需要通过精细调整策略进一步优化，以支持早期乳腺癌检测和改善医疗结果。

AI搜集汇总

数据集介绍

构建方式

该数据集构建基于600名25至75岁女性患者的乳腺超声图像，共计780张，平均分辨率为500×500像素。图像通过LOGIQ E9和LOGIQ E9 Agile超声系统采集，并经过预处理，包括去除重复图像、修正标注以及将DICOM格式转换为PNG格式。数据集的类别分为正常、良性和恶性三类，每类图像数量分别为133、487和210张。为确保数据质量，图像边界进行了精确标注。

特点

该数据集的特点在于其多样性和高质量。图像来源于不同年龄段的女性患者，涵盖了正常、良性和恶性三种乳腺状态，具有较高的临床代表性。数据集的平均分辨率为500×500像素，确保了图像的清晰度和细节丰富性。此外，通过数据增强技术，如旋转、平移、缩放、剪切和翻转，有效缓解了类别不平衡问题，提升了模型的鲁棒性。

使用方法

该数据集主要用于乳腺超声图像的分类研究，特别是通过卷积神经网络（CNN）模型进行正常、良性和恶性类别的分类。研究者可以基于该数据集探索不同CNN架构的性能，如MobileNet、Inception-ResNet-V2等，以评估其在乳腺癌早期检测中的效果。数据集的使用包括加载图像、进行预处理、训练模型以及评估分类准确性等步骤，旨在为乳腺癌的早期诊断提供技术支持。

背景与挑战

背景概述

乳腺癌是全球女性健康的主要威胁之一，早期检测对于提高治愈率至关重要。在此背景下，Breast Ultrasound Images Dataset应运而生，旨在通过深度学习技术提升乳腺癌的早期诊断能力。该数据集由600名年龄在25至75岁之间的女性患者的乳腺超声图像组成，共计780张图像，平均分辨率为500×500像素。图像被分为正常、良性和恶性三类，数据采集使用了LOGIQ E9和LOGIQ E9 Agile超声系统。该数据集的研究团队通过去除重复图像、修正注释并将DICOM格式转换为PNG格式等预处理步骤，确保了数据的质量。该数据集的出现为乳腺癌的早期检测提供了重要的数据支持，推动了卷积神经网络（CNN）在医学影像分析领域的应用。

当前挑战

Breast Ultrasound Images Dataset在构建和应用过程中面临多重挑战。首先，数据集的类别不平衡问题显著，良性、恶性和正常类别的图像数量分别为487、210和133张，这种不平衡可能导致模型在训练过程中偏向多数类，影响分类性能。其次，超声图像的分辨率和质量差异较大，增加了特征提取的难度。此外，尽管数据增强技术如旋转、平移、缩放等被用于缓解类别不平衡问题，但这些技术可能引入噪声，影响模型的泛化能力。在模型选择方面，尽管MobileNet和Inception-ResNet-V2表现优异，分别达到83%和80%的准确率，但其他模型如Depth-based CNN和AlexNet的准确率较低，表明不同模型在处理复杂医学影像时的性能差异显著。如何选择合适的模型并进行有效的调优，仍是未来研究的重要挑战。

常用场景

经典使用场景

在医学影像分析领域，Breast Ultrasound Images Dataset 被广泛应用于乳腺癌的早期检测与分类研究。该数据集包含了600名女性患者的780张乳腺超声图像，分为正常、良性和恶性三类。研究人员通过卷积神经网络（CNN）架构对这些图像进行分类，探索不同模型在乳腺癌检测中的表现。MobileNet 和 Inception-ResNet-V2 等模型在该数据集上表现出色，分别达到了83%和80%的准确率，为乳腺癌的早期诊断提供了有力支持。

衍生相关工作

基于 Breast Ultrasound Images Dataset，研究人员开展了多项经典工作，推动了医学影像分析领域的发展。例如，MobileNet 和 Inception-ResNet-V2 等模型在该数据集上的成功应用，启发了更多轻量级和高性能网络架构的设计。此外，数据增强技术的引入有效解决了类别不平衡问题，为其他医学影像数据集的处理提供了参考。这些工作不仅提升了乳腺癌检测的准确性，也为其他疾病的影像分析研究提供了新的思路和方法。

数据集最近研究

最新研究方向

在乳腺癌超声图像分析领域，卷积神经网络（CNN）架构的应用正成为研究热点。近期研究聚焦于多种CNN模型在乳腺超声图像数据集上的性能比较，旨在提升图像分类的准确性和效率。通过对包括MobileNet、Inception-ResNet-V2、ResNet50等在内的九种CNN架构进行实验，研究发现MobileNet和Inception-ResNet-V2分别以83%和80%的准确率表现突出。这些发现不仅为乳腺癌的早期检测提供了技术支持，也为医疗影像分析领域的数据增强和模型优化提供了新的思路。此外，研究还揭示了不同模型在处理类不平衡问题时的表现差异，为未来在资源受限环境下的模型选择提供了参考。