基于 ResNet50 的医学影像分类器

一个基于 MATLAB、使用 ResNet50 判断细胞是否受影响的图像分类项目。

项目概述

该项目专注于使用 ResNet50（目前最强大的预训练卷积神经网络之一）进行迁移学习，开发一个医学图像分类器。目标是基于视觉特征，将显微镜下的细胞图像分为受影响与未受影响两类。

该项目使用 MATLAB 开发，是探索深度学习技术在生物医学应用中的学术研究之一。

目标

• 将深度学习应用于真实的医学分类问题。
• 使用迁移学习对预训练的 ResNet50 模型进行微调，实现二分类。
• 理解在医学图像数据集有限的情况下进行建模所面临的挑战。

使用的技术

• MATLAB 深度学习工具箱
• ResNet50 预训练 CNN 模型
• 图像处理工具箱（用于预处理与数据增强）
• 自建的细胞图像数据集，标注为健康或受影响

核心功能

• 针对 ResNet50 输入进行图像缩放与预处理。
• 数据增强以提升模型的泛化能力。
• 替换并重新训练全连接层。
• 对测试图像进行实时预测，并输出分类准确率。

我学到了什么

• 如何在 MATLAB 中实现迁移学习工作流程。
• 处理类别不均衡与数据集有限问题的技巧。
• 使用混淆矩阵与准确率指标进行模型评估。
• 人工智能在医学诊断中的潜力与局限性。

总结

这个项目让我在深度学习应用于医学图像分析方面积累了宝贵经验，也让我深刻体会到数据质量、模型可解释性与性能验证的重要性——尤其是当结果可能影响临床决策时。