增生性与管状息肉分类数据集

资源简介

增生性与管状息肉分类数据集

Hyperplastic and Tubular Polyp Classification 数据集发布在 kaggle.com 平台，归类于消化系统疾病下的结肠息肉主题，聚焦增生性息肉与管状息肉的分类研究。数据集以结肠镜图像文件的形式提供，共包含 20 个文件，文件命名中携带患者编号、息肉编号、息肉所在部位以及组织学类型等信息，便于按病例与病理类别组织图像。该数据集由 Refika Sultan DOĞAN 发布，当前版本为 v8，发布时间为 2024 年 10 月 14 日，采用 Attribution-NonCommercial 4.0 International（CC BY-NC 4.0）许可，主题标签为 health。数据集伴随同名研究论文，适用于基于机器学习方法的结肠息肉分类研究。

【数据集背景】

该数据集伴随研究论文《Hyperplastic and Tubular Polyp Classification Using Machine Learning and Feature Selection》发布，该论文发表于 Intelligence-Based Medicine。相关研究还涉及一篇博士论文《Artificial intelligence assisted prognostic marker determination from colonoscopy and histopathology images for colon polyps》，提交于 Abdullah Gül University 科学与技术研究所生物工程系。数据集围绕增生性与管状息肉的分类问题构建，属于消化系统疾病中结肠息肉方向的研究资源。

【数据内容】

数据集共包含 20 个文件，均为结肠镜图像，存放于 InputImagesSelectedSubSamplingHyperTubular/selectedSubSamplingHyperTubular/all/ 路径下。从文件命名可以看出，每个文件名由多个字段组成，包括患者编号（如 patient1、patient101、patient103）、息肉编号（如 polyp1、polyp2）、息肉部位（如 descending、sigmoid、rectum）、组织学性质（如 nonneoplastic、neoplastic）、病理类型（如 hyperplastic、tubular）以及帧编号（如 frame1、frame2、frame5）。例如 colon-patient1-polyp1-descending-nonneoplastic-hyperplastic-frame2.jpg 表示患者 1 的第 1 个息肉位于降结肠、非肿瘤性、增生性、第 2 帧；colon-patient101-polyp1-sigmoid-neoplastic-tubular-frame5.jpg 表示患者 101 的第 1 个息肉位于乙状结肠、肿瘤性、管状、第 5 帧。图像的具体分辨率、色彩空间与单文件大小，源站未提供。

【采集与来源】

数据来源于 kaggle.com，发布者为 Refika Sultan DOĞAN。图像为结肠镜采集的息肉图像，文件名中的部位与病理信息表明其与临床结肠镜检查及组织病理学结果相关联。数据的具体采集机构、采集设备、采集时间跨度与伦理审批信息，源站未提供。

【适用场景】

该数据集可用于增生性息肉与管状息肉的二分类研究，支持机器学习模型的训练与评估，也可用于特征选择方法在医学图像分类中的验证。由于文件名携带患者、部位与病理类型信息，适合开展按病例划分的数据组织与分类实验。数据规模较小，更适用于方法验证与教学演示，而非大规模模型训练。源站未提供其他具体应用场景的说明。

【使用方法】

使用时可从 kaggle.com 下载全部 20 个图像文件，按文件名中的病理类型字段区分增生性（hyperplastic）与管状（tubular）两类样本，按患者编号进行分组以避免同一患者样本跨训练集与测试集造成信息泄漏。图像可直接作为输入用于分类模型，也可先进行特征提取再结合特征选择方法建模。具体预处理流程与参数设置，源站未提供。

【质量与限制】

数据集文件数量为 20 个，规模较小，样本量有限，可能限制模型的泛化能力。文件命名提供了患者、部位与病理类型等元信息，但图像本身的标注文件、质量评估报告与数据划分方案，源站未提供。数据仅涵盖增生性与管状息肉两类，未涉及其他息肉类型。使用时应关注样本量不足与类别分布可能带来的偏差。

【引用与许可】

使用该数据集需引用以下文献：Doğan, R. S., Akay, E., Dogan, S., & Yilmaz, B. (2024). Hyperplastic and Tubular Polyp Classification Using Machine Learning and Feature Selection. Intelligence-Based Medicine, 100177；以及 Doğan, R. S. (2023). Artificial intelligence assisted prognostic marker determination from colonoscopy and histopathology images for colon polyps (Doctoral dissertation). Abdullah Gül University, Institute of Science and Technology, Bioengineering Department。数据集采用 Attribution-NonCommercial 4.0 International（CC BY-NC 4.0）许可，允许在署名前提下非商业性使用。如有问题，可联系 doganrefikasultan@gmail.com。