简介：医学图像分类是计算机视觉在医疗领域的重要应用，其核心挑战往往不在模型结构，而在数据准备环节。CT影像数据涉及DICOM/NIfTI格式解析、窗宽窗位调整、切片级标签映射等一系列复杂预处理流程，直接影响模型训练效果与泛化能力。将原始影像转化为规范化的数据集，需要合理的目录划分、类别字典设计以及可视化验证工具支撑。基于CT肝脏四分类任务，一种工程化数据方案利用按患者维度的7:2:1划分，有效避免数据泄漏，配合类别映射文件和Python可视化脚本，实现从数据检查、分布统计到批次预览的完整验证链路。该方案适用于医学图像分类、目标检测等任务的前期数据准备，帮助研究者在开始训练前快速发现数据问题，提升模型迭代效率。借助可视化工具与统计手段，可显著降低医学影像分析的入门门槛，推动深度学习在CT肝脏疾病诊断中的应用落地。 做医学图像分类的人都有这种经历：折腾完模型结构，回头发现数据才是最磨人的环节。尤其是CT肝脏分类这种任务，数据不像自然图像那样可以直接丢进ImageFolder，它涉及DICOM/NIfTI格式解析、窗宽窗位调整、切片级标签映射、类别不平衡处理一大堆前置工作。我这次整理的这份医学图像分类数据集，就是围绕“CT肝脏4分类”这个任务做的一次完整工程化数据方案，里面包含划分好的数据、类别字典文件、以及一套Python可视化脚本，目标是让拿到手的人能直接开始训练，而不是把时间耗在数据整理上。
这份内容适合谁？适合正在做医学图像分类、目标检测前数据预处理的人，也适合刚入门医学影像分析、想看看真实CT数据长什么样的同学。不需要你有太深的医学背景，但最好懂点Python基础，会用numpy、matplotlib这类常见库。我会把数据组织逻辑、字典设计思路、可视化脚本的核心实现、以及我在处理这类数据时踩过的坑全部拆开来讲，保证你看完能直接迁移到自己的任务上。
1. 数据集整体设计思路与目录结构
1.1 为什么要做“划分好的数据”
先回答一个很多新手会问的问题：数据为什么要预先划分？我自己一开始做实验时图省事，都是拿一份数据又训练又验证，结果模型表现忽高忽低，后来才明白问题出在数据划分不严谨上。这份CT肝脏分类数据集在制作时就把train/、val/、test/三部分切好了，比例大概是 7:2:1，按患者维度划分而不是按切片维度，这点很关键。
为什么要按患者级别划分？因为同一个人的CT序列里相邻切片高度相似，如果随机把切片分到训练集和验证集，模型在验证集上看到的几乎就是训练集里见过的内容，评估结果会虚高。按患者维度切分能保证验证集和测试集的样本与训练集在“病例层面”隔离，这更接近临床应用时遇到新病人的真实场景。这个细节如果做不好，后面模型泛化能力评估就是自欺欺人。
目录结构设计得比较清晰，拿到手之后你不需要再写任何移动文件的代码，搭配十行不到的PyTorch代码就能直接加载数据开训。这也符合我个人的一个理念：数据集的最高评价不是“全面”，而是“省心”——结构化程度越高，使用成本越低。
1.2 标准目录结构设计
实际的数据目录组织如下：
CT-Liver-4Class/ ├── train/ │ ├── class_0_normal/ │ ├── class_1_fatty/ │ ├── class_2_cirrhosis/ │ └── class_3_tumor/ ├── val/ │ ├── class_0_normal/ │ ├── class_1_fatty/ │ ├── class_2_cirrhosis/ │ └── class_3_tumor/ ├── test/ │ ├── class_0_normal/ │ ├── class_1_fatty/ │ ├── class_2_cirrhosis/ │ └── class_3_tumor/ ├── classes_dict.json └── visualize_data.py这套结构的好处是兼容性极强。无论你用PyTorch的ImageFolder、TensorFlow的image_dataset_from_directory，还是自己写DataLoader，都能无缝对接。类别文件夹的命名直接用类名_英文标识的组合方式，既方便人眼识别，也避免了一些老库对中文路径支持不佳的问题。
关于命名方式，我试过纯数字（0、1、2、3）和纯英文（normal、fatty、cirrhosis、tumor）两种方案，最终选了“数字前缀+英文”的组合。原因很简单：纯数字在找文件时容易搞混，纯英文在排序时可能与训练代码里的标签顺序不一致，二者结合可以同时保证排序稳定性和可读性。这个细节看起来小，但在数据量上千后能少很多麻烦。
2. 四分类任务的语义定义与类别字典文件
2.1 肝脏CT数据里的四个类别是什么
既然是CT肝脏4分类，那必须先把四个类别定义清楚。我在这份数据集里设置的四个类别分别是：正常肝脏、脂肪肝、肝硬化、肝脏肿瘤。每张图像都是从腹部CT序列中截取出来的肝脏区域切片，图像已经做过统一的尺寸归一化处理，默认是224×224的灰度图，方便直接输入目前主流的分类网络。
四个类别在CT图像上的表现差异其实挺大，这也是分类任务能成立的基础。脂肪肝在CT上典型表现是肝脏实质密度弥漫性降低，比脾脏的密度还低，看起来整体偏暗；肝硬化则表现为肝脏边缘结节样改变、肝叶比例失调，尾状叶代偿性增大，这些形态特征在切片上很容易和正常肝脏区分开；肿瘤区域则因为血供特点不同，在平扫和增强扫描中呈现不同的密度灶，边界相对清晰。对做深度学习的人来说，你不需要成为放射科医生，但了解这些基本影像特征有助于你理解模型在学什么，也能帮助你判断可视化结果里的错误是不是数据标注问题。
这里要提醒一句：CT图像的本质是灰度图，但显示效果受窗宽窗位影响极大。同一张肝脏CT切片，用不同的窗宽窗位显示，肉眼看起来完全像两张图。这份数据集在制作时统一使用了腹部软组织窗（窗位约40HU，窗宽约400HU）进行处理，确保所有人打开看到的视觉效果是一致的，这也是医学图像数据集规范化的一个重要细节。
2.2 类别字典文件的意义与格式
classes_dict.json这种文件你用起来可能觉得不起眼，但它在训练流程中的价值被很多人低估了。它本质上是一个“标签映射表”，在训练、验证、推理三个环节中起到统一标签含义的作用。我见过不少项目在训练代码里硬编码label_map = {'normal': 0, 'fatty': 1}，等换机器、换数据集、换合作方时，别人根本不知道你的0和1代表什么，这时候一个字典文件就是最好的说明书。
这个文件的内容非常简单：
{ "0": "normal", "1": "fatty", "2": "cirrhosis", "3": "tumor" }我之所以推荐JSON而不是Python文件，是因为JSON是跨语言的通用格式。哪怕你后面要转用C++做推理部署，或者让标注团队用其他工具查看，都能直接解析。训练时读取这个文件后翻转一下得到{'normal': 0}的映射，推理时再正过来用，整个流程非常丝滑。
还有一个小技巧：把类别字典文件放在数据集根目录而不是代码仓库里。这样数据集传到任何地方，字典都会跟着走，不会出现“代码里的字典和实际数据对不上”的经典事故。这个做法在我维护多个数据集时帮了大忙，强烈推荐。
3. Python数据可视化脚本的设计与实现
3.1 可视化脚本的整体功能拆解
这份资源里最让我花心思的部分就是这个visualize_data.py脚本。很多开源数据集只给数据不给可视化工具，用户下载后第一步就卡住了：不知道数据到底长什么样，预处理对不对，标签和图像对不对得上。我写这个脚本的目标就是让你拿到数据集后，跑一句话就能看到图像内容、尺寸、灰度范围、类别数量分布等关键信息。
脚本的核心功能可以拆成三块：
第一，图像预览。随机从每个类别的训练集中抽取若干张图片，拼接成网格图展示出来，让你一眼就能直观对比四个类别在视觉上的差异。
第二，数值分布检查。统计并绘制所有图像的灰度直方图，以及每个类别的样本数量柱状图，帮你快速发现数据是否存在类别不平衡问题。
第三，训练批次预览。模拟一次Dataloader的采样过程，展示一个batch里的图像和标签组合，让你在正式训练前就确认数据pipeline是通的。
这三块功能覆盖了从“拿到数据”到“开训之前”的完整验证链路。我做项目这么多年，吃过的最大亏就是数据流程没跑通就直接开训练，结果训练到一半才发现图像读取时轴序错了，白折腾好几个小时。这套可视化脚本就是为了避免这种低级但代价高昂的错误。
3.2 关键代码解析：切片可视化与统计信息
下面挑几个核心函数具体说说实现思路。第一个是load_image函数，它负责读取单张图像并做基本校验：
import os import numpy as np from PIL import Image import matplotlib.pyplot as plt import json def load_image(image_path, target_size=(224, 224)): if not os.path.exists(image_path): raise FileNotFoundError(f"图像文件不存在: {image_path}") img = Image.open(image_path).convert("L") img = img.resize(target_size, Image.BILINEAR) arr = np.array(img, dtype=np.float32) return arr这里有几个关键决策点。首先用convert("L")强制转成灰度，保证输入一致；其次用双线性插值做resize，保留更多组织边界细节；最后转成float32，为后续归一化做准备。CT数据我建议别用uint8类型保存处理结果，因为很多医学图像分析的预处理步骤（如窗宽窗位调整、归一化）需要浮点精度，中途类型转换会累积误差。
然后是网格可视化函数，实现思路是随机从指定文件夹取图，用matplotlib.pyplot.subplots拼成网格输出：
def visualize_grid(data_dir, n_per_class=4, figsize=(12, 12)): fig, axes = plt.subplots(4, n_per_class, figsize=figsize) for row, class_name in enumerate(sorted(os.listdir(data_dir))): class_dir = os.path.join(data_dir, class_name) if not os.path.isdir(class_dir): continue img_files = [f for f in os.listdir(class_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))] selected = np.random.choice(img_files, size=min(n_per_class, len(img_files)), replace=False) for col, fname in enumerate(selected): img_arr = load_image(os.path.join(class_dir, fname)) axes[row, col].imshow(img_arr, cmap="gray") axes[row, col].set_title(f"{class_name}\\n{fname[:10]}", fontsize=8) axes[row, col].axis("off") plt.tight_layout() plt.show()这个函数用的就是最朴素的matplotlibAPI，没有花哨操作，但注意了三个小细节：用sorted保证类别顺序稳定，用np.random.choice做随机抽样，用axis("off")隐藏坐标轴让图片更清晰。输出后你就能直接看到每个类别里的真实切片长什么样，如果发现某张图片内容明显不对（比如全黑、全白、出现非肝脏区域），就能第一时间回查标注问题。
3.3 进阶辅助函数：统计信息与训练批次预览
网格图之外，我还加了统计函数，用于输出每个类别的样本量和灰度范围：
def dataset_statistics(data_dir): stats = {} for class_name in sorted(os.listdir(data_dir)): class_dir = os.path.join(data_dir, class_name) if not os.path.isdir(class_dir): continue img_files = [f for f in os.listdir(class_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))] intensities = [] for fname in img_files[:200]: arr = load_image(os.path.join(class_dir, fname)) intensities.append(arr) all_arr = np.concatenate(intensities) stats[class_name] = { "num_samples": len(img_files), "mean_intensity": float(all_arr.mean()), "std_intensity": float(all_arr.std()), } return stats这段代码会输出像{'class_0_normal': {'num_samples': 320, 'mean_intensity': 45.2, ...}}这样的结果。说实话，统计学数和灰度范围是个很“土”的操作，但作用很大：类别数量失衡时你会在第一时间发现，如果某个类别的灰度均值和标准差与其他类别差异异常大，就要怀疑是不是图像采集协议不一致或者预处理出了问题。我在实际项目中曾经靠这个统计发现某类图片整体偏白，追查后发现是源DICOM序列的缩放参数不一致，如果没有统计步骤，这个问题会一路污染到训练结果。
训练批次预览函数更贴近实际训练流程，它会利用PyTorch的DataLoader或自己写一个生成器，每次组装若干张图片并显示对应的标签字符串：
def preview_batch(data_dir, batch_size=8): all_paths, all_labels = [], [] for label, class_name in enumerate(sorted(os.listdir(data_dir))): class_dir = os.path.join(data_dir, class_name) if not os.path.isdir(class_dir): continue for fname in os.listdir(class_dir): if fname.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')): all_paths.append(os.path.join(class_dir, fname)) all_labels.append(label) indices = np.random.choice(len(all_paths), batch_size, replace=False) fig, axes = plt.subplots(1, batch_size, figsize=(16, 3)) for i, idx in enumerate(indices): arr = load_image(all_paths[idx]) axes[i].imshow(arr, cmap="gray") axes[i].set_title(f"label={all_labels[idx]}", fontsize=9) axes[i].axis("off") plt.tight_layout() plt.show()这段代码会在训练前把“模型即将看到的数据批次”完整展示出来。我特别建议所有人在训练第一个epoch前都跑一遍这个函数，花不了半分钟，却能阻止你带着错误的数据管道盲目开练，属实是低成本高回报的检查手段。
4. 实操经验与常见问题排查
4.1 加载阶段常见错误：路径与格式问题
使用任何数据集，路径问题都是第一道坎。这份数据集虽然目录结构清晰，但如果你在Windows上解压后直接复制路径，可能会因路径分隔符不兼容导致报错。我的建议是代码里统一使用pathlib.Path而不是字符串拼接：
from pathlib import Path data_root = Path("CT-Liver-4Class") train_dir = data_root / "train" json_path = data_root / "classes_dict.json"这样可以彻底规避操作系统差异问题。另一个常见的坑是图像格式，虽然数据集内统一是png，但我保留了.jpg、.jpeg、.bmp的兼容判断，防止你自己添加数据时踩坑。加载图像时最好加一个异常捕获，如果某个文件已损坏，直接跳过并打印日志，而不是让整个训练流程中断。
4.2 可视化阶段的坑：灰度范围与显示效果
用matplotlib显示CT图像时有个很隐蔽的问题：imshow默认会做线性拉伸，把数组的最小值映射到黑色、最大值映射到白色。如果你的CT切片原始数值范围不是0-255，直接显示时对比度可能诡异。比如某个切片所有像素值都在50-60之间，经过自动拉伸后看起来也会“层次分明”，但这并不是真实的CT对比度。
解决方法是显示时显式指定vmin和vmax，或者统一做窗宽窗位调整：
def display_ct_slice(arr, window_level=40, window_width=400, ax=None): lower = window_level - window_width / 2.0 upper = window_level + window_width / 2.0 display_arr = np.clip(arr, lower, upper) display_arr = (display_arr - lower) / (upper - lower) if ax is None: plt.imshow(display_arr, cmap="gray", vmin=0, vmax=1) else: ax.imshow(display_arr, cmap="gray", vmin=0, vmax=1)我做数据集时已经在预处理阶段把窗宽窗位校正过了，但可视化脚本里仍加上这个函数作为兜底，防止在已经训练好的模型做推理时，新输入的图像数值范围不一致导致显示异常或模型泛化不佳。这个细节在医学图像领域几乎属于“常识性坑”，但初学者很容易忽略。
4.3 训练前的数据体检：用脚本做一次快速检查
最后分享一个我平时训练前的“黄金五分钟”流程。跑完visualize_grid确认图像内容正确后，我还会顺手做一个类别分布饼图和灰度直方图，确认数据没有严重偏斜。具体做法很简单，在脚本里追加以下代码：
def plot_distribution(data_dir): class_names = sorted(os.listdir(data_dir)) counts = [] for cname in class_names: cdir = os.path.join(data_dir, cname) n = len([f for f in os.listdir(cdir) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))]) counts.append(n) plt.figure(figsize=(8, 5)) plt.bar(class_names, counts) plt.xticks(rotation=45) plt.ylabel("样本数量") plt.title("各类别样本数量分布") plt.tight_layout() plt.show()如果发现某个类别的数量只有另一个类别的三分之一，你就需要在训练前决定要不要采用加权采样、类别权重或者数据增强策略，而不是等训练完看混淆矩阵才发现模型完全偏向多数类。这不是什么高深的技巧，但能帮你从容应对数据不平衡问题。
关于医学图像分类的训练，还有一个常被忽略的细节是“标签一致性”问题。我遇到过合作方在标注时把正常肝脏和轻度脂肪肝混在一起，导致模型在这两个类别上怎么调参都分不开。所以建议你在拿到数据集后，除了用脚本看图，有条件的话最好让懂影像的同事抽查一部分切片，确认类别语义和文件夹名字对得上。
我个人在实际操作中的体会是，数据准备阶段多花一天时间，很可能省下后面调模型的三天时间。这份CT肝脏分类数据集的定位就是“开箱即用”：目录划分清楚、字典文件规范、可视化脚本顺手，让你把精力聚焦在模型设计和实验迭代上。拿到数据后，先跑一遍visualize_data.py，用我上面提到的“黄金五分钟”做个体检，然后放心去训练。最后再分享一个小技巧：脚本里的dataset_statistics函数输出结果可以通过json.dump保存成文件，放在数据集目录下，这样每次跑实验前都能快速对比不同版本数据的变化，数据被误动过也能及时发现。这个习惯我保持了很久，对保持实验可复现性非常有用。
本文还有配套的精品资源，点击获取
