TP = 3
LIDC-IDRI · CNN + SVM · Field Note
Medical Imaging · 01 / 12
OPTIMIZATION HOMEWORK · TOPIC 6
支持向量机在
医学影像分类中的应用
基于 LIDC-IDRI 数据集的 ResNet18 深度特征 + SVM 肺结节良恶性分类实验
30 患者 · 48 结节 · 2026.05
→ swipe / arrow keys
CONTEXT
02 / 12
CT 筛查
结节激增
Research Problem
低剂量 CT 使大量肺结节在早期被检出，但人工阅片工作量大、主观性强。
医学影像样本有限，直接训练深层网络易过拟合。预训练 CNN 提取特征 + SVM 是小样本场景的经典组合。
PIPELINE
03 / 12
Experiment Flow
五阶段实验流水线
01DICOM 加载
02Patch 提取
03ResNet18
04SVM 调参
05评估报告
METHOD
04 / 12
方法设计
四个环节
— 01 / DATA
LIDC-IDRI
30 患者 DICOM + XML 标注，malignancy 均值 ≥ 3.0 为恶性
— 02 / PREPROCESS
64×64 Patch
HU 肺窗归一化，按结节 centroid 裁剪中心层面
— 03 / FEATURE
ResNet18
ImageNet 预训练，512 维深度特征，去掉分类头
— 04 / CLASSIFIER
SVM GridSearch
5-fold CV，优化 F1；C × kernel × gamma 共 48 组
DATASET
05 / 12
LIDC Subset
数据规模
数据规模
与标签分布
按患者分层划分 train/val/test = 70/15/15，避免数据泄漏
30
下载患者
48
有效结节
26
良性
22
恶性
ARCHITECTURE
06 / 12
01
CT 体积重建
pylidc 解析 XML，加载 DICOM 3D 体积
02
深度特征提取
ResNet18 输出 512 维向量
03
SVM 分类
StandardScaler + 最大间隔分类
04
临床指标评估
灵敏度 / 特异度 / F1 / AUC
CNN
+SVM
+SVM
VISUAL · PATCHES
07 / 12
64×64
结节 Patch
结节 Patch
从 CT 中心层面裁剪结节区域，HU 肺窗归一化至 [0,1]；48 个 patch 全部提取成功，平均亮度 0.48，可见肺组织与结节形态
48Patch 总数
0.48平均亮度
100%提取成功率
TUNING
08 / 12
GridSearchCV
最优 SVM
最优 SVM
超参数
48 组参数 × 5 折 = 240 次训练；RBF 核 + C=10 在修复后的深度特征上 CV F1 最优。
rbf
kernel
10
C · γ=0.001
0.61
CV F1
61%
5-FOLD CROSS VALIDATION F1 SCORE
FEATURE · PCA
09 / 12
PC1 解释 15.0% 方差，PC2 解释 8.5%，累计 23.6%；高维特征信息分散，二维投影仅呈现部分结构
RESULTS · TEST
10 / 12
Test Set · n=13
测试集评估指标
Accuracy0.62
Specificity0.63
Sensitivity0.60
F1 Score0.55
ROC-AUC0.30
EVALUATION
11 / 12
Confusion Matrix
模型预测行为分析
TN = 5
良性正确识别
FP = 3 · FN = 2
修复后不再全判恶性
样本量过小（48 结节）
主要局限
2D 单层面信息损失
改进方向
扩大数据 + 3D CNN
下一步
12 / 12
CLOSING
CONCLUSION
迁移学习特征
+ SVM 小样本可行
流水线完整跑通，但需更大规模数据与 3D 信息才能具备临床价值。
LIDC-IDRI · CNN + SVM · 2026.05
TAKEAWAYS
03 POINTS
01
方法验证成功
ResNet18 + SVM GridSearch 流水线完整可复现，中间结果齐全
02
RBF 核最优
C=10, γ=0.001, RBF kernel, CV F1=0.61
03
扩大数据是关键
测试 Acc=0.62、Spec=0.63；需 ≥200 结节 + 3D CNN 提升泛化
→ 完 · END