预训练对FedGAN性能的影响数据集
基于联邦学习和GAN的合成医学图像数据集，预训练于腹部CT，微调于糖尿病视网膜病变，生成合成视网膜图像。
基本信息
资源简介
预训练对FedGAN性能的影响数据集
【数据集背景】
本数据集源站标题为《Impact of pretraining on FedGAN performance.》。源站首次发布：2025-07-24。
【数据内容】
源站原始描述：Deep learning models for diagnostic applications require large amounts of sensitive patient data, raising privacy concerns under centralized training paradigms. We propose FedGAN, a federated learning framework for synthetic medical image generation that combines Generative Adversarial Networks (GANs) with cross-silo federated learning. Our approach pretrains a DCGAN on abdominal CT scans and fine-tunes it collaboratively across clinical silos using diabetic retinopathy datasets. By federating t…
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。Table 3.xls：application/vnd.ms-excel，5.63 KB。数据集 DOI：10.1371/journal.pone.0326579.t003。
【主题与分类】
源站学科分类：Microbiology、Cell Biology、Genetics、Molecular Biology、Biotechnology、Chemical Sciences not elsewhere classified。主题标签：sensitive patient data、gan &# 8217、centralized training paradigms、abdominal ct scans、silo federated learning、federated learning framework、raising privacy concerns、fedgan generates high、centralized discriminator ).、federated averaging。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/Impact_of_pretraining_on_FedGAN_performance_/29640289
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Kamran, Hassan; Hussain, Syed Jawad; Latif, Sohaib; Soomro, Imtiaz Ali; Alnfiai, Mrim M.; Alotaibi, Nouf Nawar (2025). Impact of pretraining on FedGAN performance.. PLOS ONE. Dataset
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Impact of pretraining on FedGAN performance.
- DOI：10.1371/journal.pone.0326579.t003
- 发布日期：2025-07-24
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Impact_of_pretraining_on_FedGAN_performance_/29640289
命令行下载
curl -L -o "Table 3.xls" "https://ndownloader.figshare.com/files/56535253"
文件清单
Table 3.xls（5.63 KB）
文件总体积 5.63 KB（源站 API 实测）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据说明
Deep learning models for diagnostic applications require large amounts of sensitive patient data, raising privacy concerns under centralized training paradigms. We propose FedGAN, a federated learning framework for synthetic medical image generation that combines Generative Adversarial Networks (GANs) with cross-silo federated learning. Our approach pretrains a DCGAN on abdominal CT scans and fine-tunes it collaboratively across clinical silos using diabetic retinopathy datasets. By federating the GAN’s discriminator and generator via the Federated Averaging (FedAvg) algorithm, FedGAN generates high-quality synthetic retinal images while complying with HIPAA and GDPR. Experiments demonstrate that FedGAN achieves a realism score of 0.43 (measured by a centralized discriminator). This work bridges data scarcity and privacy challenges in medical AI, enabling secure collaboration across institutions.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0326579.t003（source: https://plos.figshare.com/articles/dataset/Impact_of_pretraining_on_FedGAN_performance_/29640289）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
