<think>我们使用公开的眼科白内障图像数据集来构建一个二分类模型（正常晶状体 vs 白内障疑似病变）。我们将使用深度学习框架Keras（基于TensorFlow）来构建一个卷积神经网络（CNN）模型。 步骤： 1. 导入必要的库 2. 加载数据集（这里假设数据集已经分为训练集和测试集，并放在不同的文件夹中） 3. 数据预处理（如图像归一化、数据增强等） 4. 构建CNN模型 5. 编译模型 6. 训练模型 7. 评估模型 注意：由于我们没有具体的数据集路径，这里使用一个通用的目录结构。假设数据集目录结构如下： dataset/ train/ normal/ # 正常晶状体图像 cataract/ # 白内障图像 test/ normal/ cataract/ 我们将使用ImageDataGenerator来加载和增强数据。 代码实现： </think> 以下是一个基于Python的眼科白内障二分类模型构建代码示例，使用TensorFlow/Keras框架： ```python import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout # 数据集路径配置 train_dir = 'path_to_train_dataset' # 替换为训练集路径 test_dir = 'path_to_test_dataset' # 替换为测试集路径 # 数据预处理与增强 train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' ) test_datagen = ImageDataGenerator(rescale=1./255) # 创建数据流 train_generator = train_datagen.flow_from_directory( train_dir, target_size=(150, 150), # 图像统一尺寸 batch_size=32, class_mode='binary', # 二分类 classes=['normal', 'cataract'] # 子目录名称对应类别 ) validation_generator = test_datagen.flow_from_directory( test_dir, target_size=(150, 150), batch_size=32, class_mode='binary' ) # 构建CNN模型 model = Sequential([ Conv2D(32, (3,3), activation='relu', input_shape=(150,150,3)), MaxPooling2D(2,2), Conv2D(64, (3,3), activation='relu'), MaxPooling2D(2,2), Conv2D(128, (3,3), activation='relu'), MaxPooling2D(2,2), Flatten(), Dense(512, activation='relu'), Dropout(0.5), Dense(1, activation='sigmoid') # 二分类输出层 ]) # 编译模型 model.compile( loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'] ) # 训练模型 history = model.fit( train_generator, steps_per_epoch=len(train_generator), epochs=30, validation_data=validation_generator, validation_steps=len(validation_generator) ) # 评估模型 test_loss, test_acc = model.evaluate(validation_generator) print(f'测试准确率: {test_acc:.2f}') # 保存模型 model.save('cataract_detection_model.h5') ``` ### 关键说明： 1. **数据集要求**： - 目录结构需包含`train/normal`和`train/cataract`子文件夹（测试集同理） - 建议使用公开数据集如： - Ocular Disease Recognition (ODIR) - Cataract Dataset from Kaggle 2. **参数调整**： - 图像尺寸可根据原始数据调整（推荐224x224或更高） - 可尝试迁移学习（如MobileNetV2，EfficientNet） - 调整Dropout比例防止过拟合 3. **运行要求**： - TensorFlow 2.x - 建议使用GPU加速训练 - 安装依赖：`pip install tensorflow opencv-python`