耳部疾病耳镜图像数据集
耳镜图像分析是耳部疾病评估的重要组成部分，能够实现鼓膜的可视化并识别多种耳部状况。开发用于自动耳部疾病分类的可靠人工智能（AI）模型，需要能够代表多种病理状况、治疗相关表现及图像质量变化的标注数据集
基本信息
资源简介
耳部疾病耳镜图像数据集
"Otoscopic image dataset for ear diseases" 是一个面向耳部疾病自动分类研究的耳镜图像数据集。耳镜图像分析是耳部疾病评估的重要组成部分，能够实现鼓膜的可视化并识别多种耳部状况。开发用于自动耳部疾病分类的可靠人工智能模型，需要能够代表多种病理状况、治疗相关表现及图像质量变化的标注数据集。该数据集由医院采集的 600 幅耳镜图像构成，划分为 14 个类别，并由耳鼻喉科专家完成标注与核验，覆盖正常、穿孔、急性中耳炎、分泌性中耳炎、内陷、胆脂瘤角化、鼓室硬化、耳真菌病等多种耳部状况及具有临床意义的视觉表现，可为相关人工智能模型的训练与评估提供带标签的数据基础。
【数据集背景】
耳镜图像分析是耳部疾病评估的重要环节，通过鼓膜的可视化帮助识别多种耳部状况。近年来，面向耳部疾病自动分类的人工智能研究不断发展，而这类可靠模型的开发依赖于能够代表多样病理状况、治疗相关表现以及图像质量变化的标注数据集。现有数据条件的不足制约了相关研究的推进，该数据集正是为支持这一方向的研究而构建，旨在为耳部疾病自动分类研究提供经过专业标注的图像资源。
【数据内容】
该数据集共包含 600 幅耳镜图像，全部来自医院采集，并被组织为 14 个类别。所有图像均经过标注与核验，核验工作由耳鼻喉科专家完成。数据集覆盖的耳部状况与临床相关视觉发现包括：正常（Normal）、穿孔（Perforation）、急性中耳炎（Acute Otitis Media, ACM）、分泌性中耳炎（Otitis Media with Effusion, OME）、内陷（Retraction）、胆脂瘤角化（Cholesteatoma Keratin）、鼓室硬化（Tympanosclerosis）以及耳真菌病（Otomycosis，真菌感染）等。上述类别体现了数据集对多种病理状况的覆盖，同时也涉及治疗相关表现与图像质量方面的变化。
【采集与来源】
数据集中的图像为医院采集的耳镜图像，来源站为 doi.org。图像由耳鼻喉科专家进行标注和核验，以保证标签的专业性。关于采集所涉医院的具体名称、采集时间范围、采集设备型号与成像参数等信息，源站未提供。
【适用场景】
该数据集主要面向耳部疾病自动分类的人工智能研究，可用于训练与评估能够区分多种耳部状况的模型。由于其类别覆盖正常与多种病理状况，并包含治疗相关表现及图像质量变化，适合用于考察模型在多样病理条件和不同成像质量下的分类表现。此外，数据集亦可作为耳镜图像分析相关研究的基础数据资源。关于具体的基准任务设置与评价协议，源站未提供。
【使用方法】
数据集以 14 个类别组织，每幅图像均带有经耳鼻喉科专家标注与核验的类别标签，使用者可按类别划分进行模型训练与测试。关于数据的具体目录结构、文件命名规则、图像格式与分辨率、训练/验证/测试划分方式以及随数据提供的说明文档，源站未提供。
【质量与限制】
数据集中的图像由医院采集，标签由耳鼻喉科专家标注并核验，在标签专业性方面具有一定保障。数据集共 600 幅图像、14 个类别，类别数量较多而总量有限，各类别的具体样本分布源站未提供。数据仅反映单一来源的医院采集图像，关于其在不同机构、不同设备与不同人群中的泛化能力，源站未提供相关信息。此外，数据集的伦理审批情况、患者隐私处理方式以及图像质量波动的具体描述，源站未提供。
【引用与许可】
该数据集的来源站为 doi.org，使用者可通过该来源获取数据集的正式引用信息。关于数据集的具体许可协议、使用条款、商业使用限制及再分发规定，源站未提供。
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
源站：https://doi.org/10.21227/nm8f-fv31
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
耳镜图像分析是耳部疾病评估的重要组成部分，能够实现鼓膜的可视化和各种耳部状况的识别。开发用于自动化耳部疾病分类的可靠人工智能（AI）模型，需要能够代表多种病理状况、治疗相关表现以及图像质量变化的标注数据集。为支持该领域的研究，本工作引入了一个新创建的数据集，包含600张医院采集的耳镜图像，分为14个类别，并由耳鼻喉（ENT）专家进行标注和验证。该数据集涵盖了一系列耳部状况和临床相关的视觉表现，包括正常、穿孔、急性中耳炎（ACM）、分泌性中耳炎（OME）、内陷、胆脂瘤角化、鼓室硬化、耳真菌病（真菌感染）、耵聍/碎屑、异物、通气管/T型管、术后或治疗后的耳部、不清晰以及质量不佳。
图像按类别分别存放在不同文件夹中，便于数据集访问、模型开发和实验评估。该数据集旨在支持用于耳镜图像分类、耳部异常识别和图像质量评估的机器学习与深度学习方法研究。纳入不清晰和低质量图像也为研究质量感知分类以及识别可能不适合自动化评估的图像提供了机会。此外，该数据集还可作为探索可解释人工智能技术以及开发用于初步耳部状况评估的AI辅助系统的资源。通过提供一个新创建的、经临床医生核验的医院来源耳镜图像集合，该数据集旨在为自动化耳病识别和质量感知医学图像分析研究作出贡献。该数据集仅供研究和教育目的使用，并且
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
