基于UNet的中风病灶二分类任务：模型无有效收敛求助

我正在基于UNet开展中风病灶二分类任务，按病灶面积大小划分：大面积为1，小面积为0。标签为自行标注，准确性有待提升。训练20个epoch后，模型准确率始终在0.5左右波动，损失维持在0.6上下，表现近乎随机猜测。

使用的UNet代码 #

import keras_unet
def define_unet(n_filters=neuron,
                    n_layers=4,
                    dropout_rate=0.25):
    model_unet = keras_unet.models.custom_unet(input_shape=(img_size, img_size, 3),
                                              activation='relu',
                                              use_batch_norm=True,
                                              upsample_mode='deconv',
                                              dropout=dropout_rate,
                                              dropout_type='spatial',
                                              filters=n_filters,
                                              num_layers=n_layers,
                                              output_activation='linear'
                                              )
    
    GAP = keras.layers.GlobalAveragePooling2D()(model_unet.output)        
    outputs = keras.layers.Dense(1,activation = 'sigmoid')(GAP)
    model_unet = keras.Model(inputs = model_unet.input, outputs = outputs)
#bce is just the binary crossentropy
    model_unet.compile(optimizer=adam, loss=bce_loss,metrics=['accuracy'])
    model_unet.summary()

    return model_unet

超参数设置 #

learning_rate = 0.0001
epochs = 20
dropout_rate = 0.2
batch_size = 16
kernel_size = 3
neuron = 8
adam = keras.optimizers.Adam(learning_rate=learning_rate)

数据集与训练情况 #

数据集包含1000张图像，按8:2划分为训练集与验证集，使用batch_size=16训练。
准确率曲线：
损失曲线：

已尝试调整多种学习率，但问题仍未解决，恳请提供优化建议，感谢！

1. 优先排查数据与标签问题 #

• 标签准确性校验：随机抽取30-50张图像重新核对标注，自行标注的标签若存在大量错误，模型无法学习到有效特征，必然只能随机输出。
• 类别分布统计：统计训练/验证集中两类样本的数量，若存在严重失衡（如9:1），会导致模型训练方向偏差，可采用过采样少类样本、欠采样多类样本，或使用加权交叉熵损失（给少类样本更高权重）。

2. 调整模型结构适配分类任务 #

• 修正UNet输出逻辑：UNet原生是为分割任务设计，输出为同尺寸特征图，直接接全局平均池化会丢失病灶局部细节。建议：
  • 方案一：移除GAP，将UNet最后一层特征图通过1x1卷积降维为单通道，再接sigmoid输出；
  • 方案二：改用ResNet、EfficientNet等原生分类模型，这类模型在二分类任务上的效率和效果更适配。
• 提升模型容量：初始卷积核设为8，模型容量过小，难以捕捉中风病灶的复杂特征，建议将neuron调整为32或64，逐步增加模型表达能力。
• 优化Dropout设置：当前代码中函数参数与超参数的dropout_rate不一致，需统一；同时spatial dropout在小模型上可能过度抑制特征，可暂时移除dropout，观察模型是否能拟合。

3. 优化训练策略 #

• 确认损失函数正确性：确保bce_loss是标准的二元交叉熵（如keras.losses.BinaryCrossentropy()），自定义损失函数出错会直接导致训练失效。
• 增加训练轮数并加入早停：20个epoch可能不足以让模型学到有效特征，可提升至50-100个epoch，同时添加EarlyStopping回调，当验证损失连续5-10个epoch无下降时停止训练，避免过拟合。
• 使用动态学习率：除了固定学习率，可尝试ReduceLROnPlateau调度器，当验证损失停滞时自动降低学习率；或采用余弦退火学习率，帮助模型后期精细调整。
• 加入数据增强：针对中风病灶图像，添加随机翻转、旋转、缩放、亮度调整等增强操作，提升样本多样性，帮助模型泛化。

4. 规范数据预处理 #

• 图像归一化：确保输入图像完成正确归一化（如缩放到0-1或-1到1），未归一化的图像会导致模型难以收敛。
• 增强病灶对比度：若原始图像中病灶占比极小，可采用医学图像常用的窗宽窗位调整，凸显病灶区域，降低模型特征提取难度。

内容的提问来源于stack exchange，提问作者Garland Xu