简介本资源是面向医疗AI研究者、计算机视觉初学者及高校课程项目开发者的甲状腺结节二分类数据集聚焦真实临床场景下的图像识别任务助力构建高泛化能力的轻量级诊断模型。数据包共2000个文件含1998张JPG格式甲状腺超声图像已统一插值为256×256、1个Python可视化脚本支持类别分布、样本网格、尺寸统计等一键分析及1个JSON标注文件整体压缩后仅56.02MB适配YOLO等主流框架训练流程。已有31人下载学习结构清晰训练集与验证集分目录存放每类图像独立归置开箱即用。配套脚本显著降低数据探索门槛结合专业医生复核的双类别标签Nodular goiter / normal为算法验证、数据增强策略设计及教学演示提供可靠支撑。 甲状腺结节分类这个方向我接触了不少做医疗AI的团队大家最常见的状态是模型结构从ResNet换到EfficientNet再换到Transformer调参调到吐可性能就是上不去。问题真不在算法上而是在数据集——尤其是多类别识别场景下标签体系怎么设计、噪声怎么处理、类别不均衡怎么解决每一个都足以让模型翻车。这篇文章我想从甲状腺结节分类数据集的角度把整个链路里的关键问题讲清楚。从合规脱敏、标注规范到标签设计、训练评估再到外部验证和失败案例分析一次性讲透。适合准备构建甲状腺超声数据集的算法工程师也适合正在用公开数据集做多类别分类但效果不理想的同学参考。1. 甲状腺结节分类的瓶颈为何在数据而非算法1.1 一张超声影像里藏着一整条决策链甲状腺结节是超声检查里最常见的发现之一但医生判断一个结节是良性还是恶性远不是看一眼就出结论的事。他们需要观察边界是否清晰、形态是否规则、内部回声是高是低、有没有钙化以及钙化是微钙化还是粗大钙化、纵横比是否大于1还要看血流信号和弹性评分。这些特征综合在一起最终落到一个TI-RADS分级或者病理倾向判断上。放到医疗AI里这个任务天然就是多类别识别。不是简单的良性/恶性二分类模型要去学习医生观察到的这些细粒度特征并给出符合临床逻辑的分类结果。问题是甲状腺超声影像不像自然图像那样有丰富的大规模开源标注库医生积累的很多经验是隐性的图像本身又是灰度、低信噪比、强噪声的这些都给模型学习带来了真实困难。我见过不少人拿二分类的公开数据集训了个90%准确率的模型然后跟我说甲状腺结节分类很简单。一旦把任务细分成TI-RADS 3类、4a类、4b类、5类或者按病理大类细分准确率立刻掉到惨不忍睹。这不是模型的问题是数据集在类别层次上根本没有给模型提供足够的区分性信息。1.2 公开数据集的真实家底与质量差异做这个方向之前我认真调研过市面上能获取的甲状腺超声数据集。坦率说能下载、标注能用的来源非常有限。一部分是论文作者公开的训练子集几百到几千张一部分是医学影像竞赛留下的数据还有一部分是教学病例集质量参差不齐。这些数据普遍有三个顽疾。第一类别定义不统一。有的只有良性/恶性二元标签有的按TI-RADS给1-5类有的直接标病理类型甚至有人把结节性甲状腺肿和甲状腺乳头状癌混在一个恶性类别里。你在这种数据上训出的模型换到自己的任务上基本都要重新定义标签。第二图像质量差异极大。不同医院、不同超声设备、不同探头频率出来的图完全不是一个风格。有的图整体偏白有的图偏黑有的图上有大量的文字注释、深度标尺、灰阶条甚至设备型号直接印在图上。第三类别分布严重倾斜。良性样本一大堆恶性样本很少中间地带的TI-RADS 4类样本量很大但标注分歧也最大。这种分布做二分类还能勉强应付做多类别识别就非常痛苦。别指望等一个甲状腺ImageNet出现。医学影像数据分散在医院内部系统受隐私和合规约束不可能像互联网图片那样集中开放。更现实的路是用公开数据做预研然后踏踏实实构建一个符合自己任务定义的专业数据集。2. 构建专业甲状腺超声数据集的三道关口2.1 数据来源与合规授权脱敏不是打马赛克第一道关口听起来最枯燥但最容易出问题。医院影像数据包含大量受保护的健康信息DICOM文件头里有患者姓名、ID、出生日期、检查机构、设备序列号、检查日期等。单纯把DICOM转成JPG再抹掉角落里显示的名字并不安全。DICOM头信息里的元数据还在图像像素里嵌入的文字注释也经常被忽略。我在项目中实际用的流程是先由医院影像科通过系统批量导出脱敏后的DICOM再用脚本把非像素数据全部置空。用pydicom读取每个文件把PatientName、PatientID、InstitutionName等tag无论有没有值都清掉把检查日期随机偏移或直接置空然后重新保存。导出的图像再人工抽检确保肉眼看不到任何患者信息。不要嫌这个环节麻烦。研究用的数据必须要有伦理审批和知情同意流程不能觉得我是为了科研就跳过。合规问题一旦爆发整个项目都会被叫停前期投入全部打水漂。脱敏责任一定要落在数据提供方身上作为算法方要做的是不接受任何来源不明的数据。2.2 标注体系谁说了算、怎么复核拿到脱敏图像后真正拉开差距的环节来了标注。甲状腺结节的标注不是简单画个框就完事。一套好的标注体系要定义清楚三件事选哪一个结节作为目标结节结节边界标注到哪个范围分类标签如何填写。我推荐的做法是双人独立标注加第三人仲裁。至少两位超声科医师分别标注不互相讨论然后计算两位医生之间的一致性指标。对不一致的样本由第三位更高年资的医师复阅决定最终标签。如果你觉得这个流程耗人力可以只对抽取的固定比例样本做双标注其余单标注加定期抽检但核心类别一定要双标注。实际项目中这套流程能逼出很多意想不到的问题。举个例子我做过一个批次发现两位医生对钙化类型的一致性只有0.6左右。细查才发现一位医生把所有的微小强回声都算作微钙化另一位只算直径小于1mm的点状强回声。这种分歧没有绝对的对错需要一份标注规范书来统一口径然后再把所有样本重新校准一遍。标注工具方面如果只是分类任务用一个内网部署的网页标注工具就够了显示图片、点选类别、导出CSV医生不需要学习复杂软件。如果涉及结节边界可以用CVAT或LabelImg这类工具但要提前确认导出的多边形格式能和你后续流程衔接。2.3 质量控制图像筛选、设备差异与采集协议质量控制不是可选项而是决定数据集质量的上限。我制定了一套客观筛选条件结节最大径不小于3mm太小的结节超声特征的稳定性太差图像中结节边界至少可见70%排除穿刺术后或手术后的图像除非任务明确是做术后评估。另外严重伪影、声影遮挡、图像压缩过度的样本直接剔除。设备信息也要记录清楚。甲状腺超声通常用高频线阵探头频率在7-14MHz但如果数据里混入了凸阵探头甚至腹部探头扫出来的图像灰度分布和分辨率完全不同。模型要是悄悄学到了这台设备的风格而不是甲状腺结节的病理特征换台设备就原形毕露。我在构建项目时会为每张图像记录设备型号、探头类型、增益设置、深度标尺位置等环境参数。这些信息不直接参与训练但在跨中心验证和错误分析时是救命稻草。到后期你会发现某个类别的性能突然崩了一查多半是某个来源的设备没有参与训练。3. 多类别标签怎么设计二分类之外的真实临床逻辑3.1 从TI-RADS分级到病理类别之间的映射多类别标签设计是整个项目的灵魂。直接决定模型输出什么、临床怎么用。最常见的做法是采用TI-RADS分级标签从1类到5类或6类。但这里有个容易被忽略的坑TI-RADS版本太多了。ACR TI-RADS、Kwak版、韩国版评分规则和风险分层并不完全一致。你如果用公开数据集里的TI-RADS标签一定要先搞清楚它用的是哪一版不然模型学到的是某版本的评分规则换个医院就失效。更细一点的做法是输出病理相关类别比如结节性甲状腺肿、桥本甲状腺炎、甲状腺乳头状癌、滤泡状癌、髓样癌等。这种方式对临床更有价值但前提是你有病理金标准。而病理金标准通常需要穿刺或手术才能拿到样本量非常有限直接做很多类的病理分类很容易过拟合。我个人的建议是分层设计。第一层做风险分层输出低风险、中风险、高风险第二层在样本充足的类别上细分比如把高风险组再分为乳头状癌和非乳头状癌。这样既避免类别过细导致样本不足又能保证模型输出对临床决策有实际参考意义。3.2 类别平衡与难例挖掘真正磨人的是3类和4类甲状腺结节数据的类别分布天然不均。良性结节容易收集比如胶质囊肿、结节性甲状腺肿数量庞大恶性结节少特别是TI-RADS 5类更少中间地带的4a类和4b类反而样本量很大但这两类的标注分歧也最大。这产生了一个悖论最需要模型辅助判断的恰恰是中间类别而中间类别恰恰是噪声最大的。处理类别不均衡我有几个实测有效的策略。第一统计各类别样本数对超大类做欠采样对超小类做过采样但过采样最好配合数据增强生成变体而不是简单复制。第二训练时使用类别权重或焦点损失让模型把注意力放在少数类上。第三不要盲目追求把所有类别做平先做一版基线看混淆矩阵里哪两个类别最容易混淆再针对性地补充样本。从我的实验数据看3类良性可能性大和4a类低度怀疑恶性之间的混淆是最严重的。这两个类别的超声特征本身高度接近边界是否清晰、回声是否均匀、钙化形态差异在图像上的体现非常细微。这提示我们标签设计不能只看类别名字还要关注类别之间的特征距离。3.3 标签噪声的处理一致性检验与争议样本复标医学影像标注的真值和自然图像不一样很难说有一个完全客观的答案。同一张图不同医生可能给出不同级别同一医生隔段时间再看也可能变。这种标签噪声对多类别分类的危害比很多人以为的要大得多。我的处理办法是给每个样本生成一个争议等级。两位医生标签一致记为高置信样本不一致但都在同一大组里比如都是良性组或都是可疑组记为中置信完全跨组不一致记为低置信。高置信样本全部进训练集中置信样本可以进训练集但损失权重降低低置信样本不直接丢而是进入下一轮仲裁。经过第三方仲裁后仍然无法统一的样本单独存放不参与训练只用于测试或直接弃用。这套流程实际跑下来验证集的加权F1提升了2到3个百分点。相比之下你在模型结构上换一个更大的Backbone可能都未必有这个提升幅度。4. 训练与评估这套数据需要什么样的模型策略4.1 预处理与ROI裁剪超声图像的标准化细节甲状腺超声图像进模型之前预处理非常关键比自然图像任务讲究得多。第一步是ROI裁剪。图像里通常有文字注释、深度标尺、灰阶条、设备型号信息这些区域如果不裁掉模型很可能偷偷依赖它们做判断。比如某台设备的标尺位置固定模型记住右上角有标尺意味着来自某类样本这在训练集内部可能不暴露但换一个设备来源的数据就直接失效。我的做法是先用一个简单的OCR或固定区域检测把文字区域识别出来然后裁掉。临床医生通常会把结节放在图像中央区域所以ROI的中心位置集中在图像中部保险起见可以裁出图像中部的方形或圆形区域只保留结节和周边少量组织。第二步是归一化。超声图像不像自然图像那样颜色丰富灰度范围0-255但不同设备的动态范围差异很大有的整体偏白有的整体偏黑。我建议先用直方图均衡化或CLAHE把灰度分布拉平再减去均值除以标准差。注意归一化参数要从训练集统计不能每张图单独做否则会引入信息泄露。第三步是通道处理。用ImageNet预训练权重时通常把单通道灰度图复制成三通道输入。但在医学影像上直接使用灰度卷积网络也有效果只是无法利用现成的预训练权重。从效率角度复制三通道是性价比最高的方案因为预训练学会的边缘、纹理、形状特征对超声图像仍然有帮助。4.2 数据增强与类不均衡别在B模式图上随意翻转数据增强在自然图像任务里几乎是标配但用在甲状腺超声上要克制。水平翻转可以用因为甲状腺左右对称性较高水平翻转后的超声图像在解剖上仍然合理。垂直翻转我基本不用因为超声扫描方向与解剖位置相关图像上下颠倒会产生现实中不存在的视觉特征。随机旋转、缩放、平移可以用但范围要小。比如旋转正负10度缩放0.9到1.1因为甲状腺结节的纵横比本身是重要的诊断特征旋转或缩放过头会破坏它。颜色抖动方面超声图像是灰度图色调和饱和度没有意义但可以调节gamma和亮度来模拟不同的增益设置这在小数据集上能提升泛化能力。CutMix和MixUp这类混合增强方法在自然图像上很流行但医学影像上要慎重。把两个结节区域混在一起模型学到的是重影特征在实际场景里没有对应物。我更推荐对少数类做补丁式过采样在少数类样本的ROI内随机裁剪子区域并重缩放回原大小这种方式既生成新样本又保持结节结构的基本合理性。4.3 模型选择ResNet、EfficientNet还是Vision Transformer在小数据集上我的默认起点是EfficientNet-B0或ResNet50配ImageNet预训练权重。为什么不用更大的模型因为甲状腺超声数据集通常只有几千张大模型在这里只会更快过拟合。EfficientNet-B0在参数量和性能之间平衡得很好ResNet50则更稳妥调试起来容易。如果数据量到了一两万张且GPU资源充足可以试试ViT或Swin Transformer但在那之前CNN基本是更省心的选择。另外考虑一个方案检测加分类的级联结构。先用YOLOv8这类目标检测模型把结节区域框出来再对框内图像做多类别分类。这样做的好处是进入分类器前的输入已经对齐到结节本身减少了背景干扰。代价是检测框的质量直接影响分类效果如果检测框偏了或者框得太大分类器的输入就变了。项目初期建议先做纯分类把分类器的混淆矩阵跑出来再决定是否值得引入检测模块。4.4 评估指标Accuracy会骗人用加权F1、敏感性、特异性多类别分类最常见的坑就是只看Accuracy。在类别不均衡的甲状腺结节数据上一个把所有样本都预测为良性的模型准确率也可能高得好看但临床价值为零。正确的做法是看完整的评估报告。包括每类别的precision、recall、F1加权F1和宏观F1如果是二分类的风险分层还要看AUC-ROC和AUC-PR。对于一个偏诊断辅助的任务敏感性recall和特异性都要单独报告因为在临床上漏掉恶性结节的代价远高于把良性误判为可疑。报告混淆矩阵时把最常混淆的类别对单独列出来。比如良性结节伴钙化与恶性结节伴钙化之间的混淆这类信息对医生最有价值也给数据迭代指了路。我自己的做法是把混淆矩阵按行归一化这样每行的值代表真实类别中模型预测到各个类别的比例更容易看出系统性的误判倾向。5. 从数据集到临床辅助诊断的最后一公里5.1 外部验证与数据漂移为什么验证集精度高、实测就崩这是医疗AI项目里几乎人人都要撞上的墙在自建测试集上指标很好一上临床就崩。原因基本锁定为数据漂移。模型在A医院的数据上学到了设备特性、标注风格和采样人群的分布到了B医院设备不同、超声医师的操作手法不同、患者人群也不同性能自然下降。缓解办法有三个。第一是做跨中心外部验证哪怕只拿到几十张其他医院的脱敏样本也比没有强看指标掉了多少心里有数。第二是领域适配用直方图匹配或风格迁移把B医院的图像风格迁到A医院再做预测这个方法有效但工程复杂度不低。第三是最容易实现的推理阶段加一个分布外检测模块当输入图像的灰度分布、分辨率、ROI位置与训练集相差过大时拒绝输出或降低置信度而不是硬给一个可能错误的类别。这个环节不直接属于数据集构建但会影响数据集的迭代方向。我习惯把每次新场景效果差的样本收集起来下一轮加入训练集而不是继续均匀地补数据。针对性补充失败样本比盲目加量高效得多。5.2 可解释性Grad-CAM热力图在超声场景中的可信度边界给医生看可解释性图是医疗AI项目无法回避的需求。Grad-CAM热力图能大致显示模型关注的区域但在低分辨率、边界模糊的超声图像上热力图经常发散到整个图像甚至跑到文字注释和背景区域。如果你直接拿这样的图给医生看反而会降低信任度。我推荐两个技巧。第一只在ROI掩膜内计算和展示热力图把模型注意力约束在结节附近避免背景噪声。但要注意这可能掩盖模型真正关注的异常区域所以要在报告中注明这一点。第二结合超声特征做语义级解释比如增加一个辅助分类头同时输出边界不规则微钙化存在这样的特征这样比热力图直观得多。热力图只是辅助工具不要把它当成病理级的依据。在真实的临床辅助场景里医生更关心的是模型为什么给出这个分级而不是模型在哪些像素上激活比较高。5.3 典型失败案例分析囊实性结节、钙化与多灶结节从实测效果来看以下三类样本是最容易翻车的也最影响数据集迭代。第一类是囊实性结节即同一个结节内既有囊性成分又有实性成分。TI-RADS评分要看实性部分的特征但模型往往被无回声的囊性区域吸引导致分类偏低。这类样本在数据集中要专门标注出实性区域的边界或者至少在标签里记录结节成分类型。第二类是微钙化。微钙化是恶性风险的重要信号但在低分辨率设备或压缩过度的图像上微钙化点会消失模型自然学不到。如果数据里混入了不同分辨率来源的图像一定要按设备分组做性能对比看看特定类别是否集中在低分辨率设备上出错。第三类是多灶结节同一个甲状腺里长多个结节。标注时如果每个人选的目标结节不一样模型学到的特征就会乱。数据规范里必须明确规定默认选择最大结节若最大结节是单纯囊性则选择实性成分最明显的结节或者把所有结节都单独裁剪成样本但记录患者ID防止同一个患者的多个结节同时出现在训练集和测试集造成数据泄漏。6. 这套流程能复用吗一个可迁移的构建模板不只是甲状腺结节其他超声影像分类数据集乳腺、肝脏、淋巴结也基本遵循同样的构建思路。我复盘下来这套模板有几个关键节点可以复用到任何医疗图像数据集上。第一步合规与脱敏先行。数据来源必须有明确的授权记录DICOM非像素信息全部清除图像里的文字注释也要检测并遮盖。第二步制定标注规范书。把每个类别的定义、边界标注原则、争议处理方式写清楚。规范是给标注医生看的不是给算法看的语言要简洁明确最好配几组典型图例。第三步双人标注加一致性检验。挑一部分样本做双标注计算Kappa系数不一致的样本进入讨论和仲裁。这个过程既为了提高数据质量也是为了训练标注团队。第四步建立数据质量筛选项。从图像清晰度、结节可见比例、病灶大小、图像来源设备等方面做过滤。第五步明确标签层级。先定风险分层再在样本充足的类别上细分不要一上来就做几十类的细粒度分类。第六步训练与评估闭环。用EfficientNet或ResNet做基线以加权F1、每类别的precision/recall为主指标记录混淆矩阵找出最容易混的类别对。第七步外部验证和失败样本回收。每次部署尝试后把失败样本迭代到下一版数据集。这个流程文档化之后新来的算法工程师照着走一遍就能上手不用重新探索。最后分享几点实际体会做完一个甲状腺结节多类别分类项目我的最大感觉是算法工程师花在调模型上的时间应该远少于清洗数据、校准标签、分析失败样本的时间。多类别识别的性能上限在标注规范落地的第一天就基本决定了后面换模型、调参只是在逼近这个上限而已。一个小技巧在标注阶段就记录每个样本的置信度即双标结果是否一致、医生是否犹豫。这个字段在训练阶段可以直接当作样本权重在分析阶段则是定位噪声来源的关键。另一个经验不要把所有公开数据和自建数据一股脑混在一起训练。先用自建数据训一个模型再把公开数据作为预训练或辅助训练集分步验证效果。我见过太多人把来源混杂的数据直接合并结果模型学到了各种数据集的风格差异性能不升反降。如果你正在做甲状腺结节的分类数据集建议先别急着跑代码。把标注规范写清楚把类别定义搞清楚把争议样本的仲裁流程跑通后面会省很多事。本文还有配套的精品资源点击获取