眼疾病数据集

该数据集是一个包含眼部疾病医学图像的公开数据集，数据模态为医学影像，主要用于通过深度学习技术（如迁移学习和数据增强）进行眼疾病的自动分类与识别，支持眼科人工智能和计算机辅助诊断的研究与应用。

github

2024-08-23 更新

眼疾病深度学习

基本信息

创建/更新时间

2024-08-23

资源简介

该数据集是一个用于眼疾病分类的医学影像数据集，主要包含眼部疾病相关的医学图像。数据通过公开渠道收集，旨在支持基于深度学习的眼疾病自动识别研究。数据集适用于迁移学习和数据增强等技术的应用，可用于训练和测试分类模型，以准确识别多种眼疾病，主要应用于医学影像分析、计算机辅助诊断和眼科人工智能研究领域。

原始链接

https://github.com/cagopat/Transfer-Learning-For-Eye-Diseases-Dataset

访问原始数据

官方服务

如需原始数据获取支持或标注服务，请联系我们。

帮我联系

下载信息

注册下载

Tips: 该数据集需要在对应的数据源网站注册通过后，才能进行数据下载，注册有对应要求，或者需要收费。

暂未开放

公开下载

Tips: 该数据集属于公开下载，应该可以免费公开下载。

免登录

有偿下载

Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务，注意，服务不针对数据相关产权，只是技术服务费。

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

千方医数集，医疗数据集部分，是为社区服务的公开医疗数据集搜索引擎，并不存储或者下载原始的任何数据。如果您有其他医疗数据需求，可以和客服联系，或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。

使用方式

数据集获取

git clone https://github.com/cagopat/Transfer-Learning-For-Eye-Diseases-Dataset.git

curl -L -o repo.zip https://github.com/cagopat/Transfer-Learning-For-Eye-Diseases-Dataset/archive/refs/heads/main.zip
unzip repo.zip

源站 README 摘录（使用方式）

Transfer-Learning-For-Eye-Diseases-Dataset

Overview

This project focuses on classifying various eye diseases using deep learning techniques, particularly transfer learning and data augmentation. The model leverages pre-trained convolutional neural networks (CNNs) and fine-tunes them to accurately classify eye diseases from medical images.
The dataset used for this project can be found on Kaggle: Eye Diseases Dataset.

Features

Transfer Learning: VGG19 is the base model as it displayed a stronger performance on this particular dataset than the other architectures like Xception.

Data Augmentation: Applies techniques such as rotation, flipping, and zooming to artificially increase the size of the training dataset and improve model generalization.

Evaluation: The model’'s performance is evaluated using metrics like accuracy, precision, recall, and F1-score.

Results

The project achieved an accuracy of 96.68% on the test set, demonstrating the effectiveness of transfer learning and data augmentation in improving model performance on limited data.

Confusion Matrix

Acknowledgments

The project uses pre-trained models from Keras Applications.
Data augmentation techniques inspired by various deep learning research papers.

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