本数据集包含肝脏MRI影像样本：良性肿瘤（Benign）和恶性肿瘤（Malignant）。通过深度学习训练，模型能够自动提取肿瘤的关键特征，区分肝脏肿瘤类型并输出分类标签与置信度评分，为临床提供辅助诊断依据。该数据集旨在推动肝脏肿瘤的智能诊断与早期筛查，助力肝脏医学影像分析的智能化。
数据集概览
数据图像：
图1 样本图像
数据类型：
表1 数据类型与格式
数据规模：
（1）数据集划分饼图
图2 数据集划分饼图
数据集类别
表3 类别定义
数据集来源
表4 数据集来源与说明
数据集用途
本数据集用于肝脏肿瘤MRI图像的分类模型训练与验证，包含两类样本：良性肿瘤（Benign）和恶性肿瘤（Malignant）。可应用于以下研究与开发方向：
（1）模型训练：支持基于深度学习的图像分类模型（如ResNet50、VGG16、Swin Transformer）进行肝脏肿瘤MRI影像特征学习。
（2）性能评估：用于测试模型在良性与恶性肿瘤分类任务中的准确率、召回率、F1值等指标。
（3）特征分析：研究良性与恶性肿瘤在结构、纹理与信号强度等方面的差异。
（4）系统开发：为肝脏肿瘤智能诊断系统、医学影像辅助诊断平台及筛查系统提供数据支持。
数据集须知
（1）数据来源：基于公开的肝脏肿瘤MRI影像数据集（如Kaggle等），仅限科研与教学用途。
（2）数据结构：包含训练集与测试集，分为两类样本（良性肿瘤、恶性肿瘤）。
（3）文件格式：图像文件为.jpg格式（按类别文件夹组织），文件命名与类别标签严格对应。
（4）使用要求：需遵守医学影像数据隐私与伦理保护相关规定，引用时须注明数据来源。
（5）适用范围：适用于肝脏肿瘤MRI影像的识别、分类、特征提取及智能诊断系统研究。
数据集性能
训练与验证准确率和损失曲线：
图3 训练与验证准确率和损失曲线线
该图展示了Swin Transformer模型在肝脏肿瘤分类任务中的整体性能。模型的总体准确率（Accuracy）为0.93，表明分类效果较好。良性肿瘤的精确率为0.97、召回率为0.88、F1值为0.92；恶性肿瘤的精确率为0.90、召回率为0.98、F1值为0.94。结果说明模型在区分良性与恶性肿瘤时表现均衡，其中对恶性肿瘤的识别更为敏感，能有效避免漏诊。
混淆矩阵热力图：
图4 混淆矩阵热力图
混淆矩阵展示了模型在良性与恶性肿瘤分类上的预测分布。良性肿瘤的正确分类率为0.88，有约12%的样本被误判为恶性；而恶性肿瘤的正确识别率高达0.98，仅有2%的样本被误分为良性。整体来看，模型在恶性肿瘤检测上的鲁棒性更强，误诊率较低，能较好地区分不同类型的肿瘤影像。
各类认知障碍的分类性能评估：准确率、精确率、召回率与F1分数图
图5 各类认知障碍的分类性能评估：准确率、精确率、召回率与F1分数图
该图反映了Swin Transformer模型在训练阶段的性能变化趋势。随着训练轮次的增加，训练与验证准确率均稳步提升并趋于收敛，损失函数持续下降，说明模型学习过程稳定、收敛良好。同时，训练集与验证集的表现接近，未出现明显过拟合现象，表明模型具有良好的泛化能力和稳定性。