基于Train/Val/Test子文件夹MRI影像训练CNN实现三类患者分类方案咨询

1 数据集结构适配 #

你的数据集是按「拆分集→受试者目录→单张MRI」的三层结构存储，标签绑定到受试者而非单张影像，无法直接用默认的flow_from_directory接口，可按以下步骤适配：

• 第一步：构建受试者元数据表
  遍历Train、Val、Test三个根目录，提取每个受试者的所属拆分、分类标签、目录下所有MRI路径，存入结构化表，示例代码如下：

  import os
  import pandas as pd
  
  root_dir = "你的数据集根目录"
  splits = ["Train", "Val", "Test"]
  label_map = {"1":0, "2":1, "3":2} # 对应三类的标签映射，可根据你的目录命名规则调整
  
  meta = []
  for split in splits:
      split_path = os.path.join(root_dir, split)
      for label in os.listdir(split_path): # 若标签未放在二级目录，可从受试者其他属性文件读取
          label_path = os.path.join(split_path, label)
          for subject_id in os.listdir(label_path):
              subject_path = os.path.join(label_path, subject_id)
              mri_paths = [os.path.join(subject_path, p) for p in os.listdir(subject_path) if p.endswith((".png",".jpg",".nii.gz"))]
              meta.append({
                  "split": split,
                  "subject_id": subject_id,
                  "label": label_map[label],
                  "mri_paths": mri_paths
              })
  meta_df = pd.DataFrame(meta)
  

• 第二步：自定义Keras数据生成器
  继承tf.keras.utils.Sequence实现自定义生成器，训练阶段按单张MRI采样，自动继承受试者标签，同时可避免同一受试者的影像出现在同一个batch降低过拟合风险，核心逻辑示例：

  import tensorflow as tf
  import numpy as np
  from tensorflow.keras.preprocessing import image
  
  class MRIDataGenerator(tf.keras.utils.Sequence):
      def __init__(self, meta_df, batch_size=32, img_size=(224,224), is_train=True):
          self.meta_df = meta_df
          self.batch_size = batch_size
          self.img_size = img_size
          self.is_train = is_train
          # 展开所有单张MRI的路径和对应标签
          self.all_samples = []
          for _, row in meta_df.iterrows():
              for path in row["mri_paths"]:
                  self.all_samples.append((path, row["label"]))
          if is_train:
              np.random.shuffle(self.all_samples)
      
      def __len__(self):
          return int(np.ceil(len(self.all_samples) / self.batch_size))
      
      def __getitem__(self, idx):
          batch_samples = self.all_samples[idx*self.batch_size : (idx+1)*self.batch_size]
          X = np.zeros((len(batch_samples), *self.img_size, 1)) # 单通道MRI，三通道输入可改为3
          y = np.zeros(len(batch_samples))
          for i, (path, label) in enumerate(batch_samples):
              img = image.load_img(path, target_size=self.img_size, color_mode="grayscale")
              X[i] = image.img_to_array(img) / 255.0 # 归一化逻辑可根据你的预处理规则调整
              y[i] = label
          return X, tf.keras.utils.to_categorical(y, num_classes=3)
      
      def on_epoch_end(self):
          if self.is_train:
              np.random.shuffle(self.all_samples)
  

  训练前分别实例化训练、验证、测试生成器即可，后续训练逻辑和常规图像分类任务完全一致。

2 受试者级批量预测实现 #

要一次性调用同一位受试者的所有MRI输出最终分类结果，按以下逻辑实现即可：

• 先把单个受试者的所有90张MRI做和训练阶段一致的预处理，打包成批量张量输入模型
• 得到所有单张影像的预测概率后，做聚合得到受试者级的最终结果，常用聚合方法包括均值概率取最高类别、多数投票两种，示例代码：

  def predict_subject(model, subject_mri_paths, img_size=(224,224), agg_method="mean"):
      # 加载所有MRI并完成预处理
      X = np.zeros((len(subject_mri_paths), *img_size, 1))
      for i, path in enumerate(subject_mri_paths):
          img = image.load_img(path, target_size=img_size, color_mode="grayscale")
          X[i] = image.img_to_array(img) / 255.0
      # 批量预测单张MRI结果
      pred_probs = model.predict(X, verbose=0)
      # 聚合得到受试者级分类结果
      if agg_method == "mean":
          mean_prob = pred_probs.mean(axis=0)
          return mean_prob.argmax() + 1 # 转回1/2/3的标签格式
      elif agg_method == "vote":
          pred_classes = pred_probs.argmax(axis=1)
          vote_count = np.bincount(pred_classes)
          return vote_count.argmax() + 1
  

  调用时只需传入对应受试者的MRI路径列表，即可直接得到该受试者的分类结果。

可选优化方案 #

如果想要进一步提升准确率，可以修改模型结构，在特征提取backbone后增加注意力聚合层，直接让模型学习同一受试者不同MRI切片的权重，自动完成聚合，不需要后续人工规则判断。

内容的提问来源于stack exchange，提问作者Chanda Steven