基于Matlab的深度学习乳腺癌预测仿真系统：分类（正常、恶性、良性）的实践
最近在医疗AI领域折腾了个有意思的项目——用Matlab搭建乳腺癌预测系统。这个系统不仅要识别
乳腺肿块是否存在，还要把检测到的肿瘤分为正常、恶性、良性三类。今天带大家看看如何用深度学习在Ma
tlab里实现这个需求，过程中踩过的坑和实战经验一并奉上。
**一、数据预处理是重头戏**
拿到威斯康星乳腺癌数据集的时候，发现原始数据是.mat格式的超声图像和标注信息。Matlab处理
这种格式简直不要太顺手：
```matlab
data = load('breast_cancer_dataset.mat');
imgData = data.images;
labels = categorical(data.labels); % 转换为分类变量
% 处理缺失值
missingIdx = isnan(labels);
imgData = imgData(:,:,:,~missingIdx);
labels = labels(~missingIdx);
% 调整图像尺寸为224x224适配预训练模型
resizedImgs = imresize(imgData,[224 224]);
% 数据标准化
normalizedImgs = rescaledImgs ./ 255;
% 划分训练集、验证集、测试集（6:2:2）
[trainImgs,valImgs,testImgs] = splitData(normalizedImgs,0.6,0.2);
```
这里有个小技巧：用`imresize`时选择双三次插值比默认的双线性插值能保留更多纹理细节。处理
完的数据记得做标准化，不然训练时梯度可能会爆炸。
**二、模型架构的选择**
直接上预训练的ResNet50作为基础网络，但得改输出层适应三分类需求：
```matlab
net = resnet50;
lgraph = layerGraph(net);
% 替换最后三层
