BUSIS
BUSIS是包含562张乳腺超声图像的分割基准数据集，用于乳腺肿瘤自动检测和分割算法评估。
基本信息
资源简介
BUSIS
【一句话概览】
乳腺癌是女性癌症死亡的主要原因之一，美国每八名女性中就有一人一生中会患乳腺癌。临床中肿瘤分割对后续诊断和治疗规划至关重要，但颇具挑战。过去二十年提出的众多乳腺超声分割方法多基于较小的私有数据集和不同定量指标评估，导致性能比较存在差异。为此，本研究发布B模式乳腺超声图像分割基准BUSIS，包含562张图像，并定量比较十四种先进乳腺超声分割方法的性能（来源 cvprip.cs.usu.edu）。
【数据集背景】
本数据集源站标题为《busbench A Benchmark for Breast Ultrasound Image Segmentation (BUSIS)》。
【数据内容】
源站原始描述：Breast cancer is one of the leading causes of cancer death among women , and one in eight women in the United States will develop breast cancer during their lifetime. In clinical routine, the tumor segmentation is a critical but quite challenging step for further cancer diagnosis and treatment planning . Many BUS segmentation approaches have been proposed in the last two decades, but the performances of most approaches have been a ssessed using relatively small private datasets with different qu…
中文译文（机器翻译，仅供快速理解，请以原文为准）：乳腺癌是女性癌症死亡的主要原因之一，美国每八名女性中就有一人在其一生中会患上乳腺癌。在临床常规中，肿瘤分割是进一步癌症诊断和治疗规划的关键但极具挑战性的步骤。过去二十年中提出了许多BUS分割方法，但大多数方法的性能评估使用的是相对较小的私有数据集和不同的定量指标，这导致性能比较存在差异。因此，迫切需要建立一个基准，以客观地使用公共数据集比较现有方法，确定目前可用的最佳乳腺肿瘤分割算法的性能，并研究哪些分割策略在临床实践和理论研究中具有价值。在这项工作中，我们将发布一个包含562张图像的B模式BUS图像分割基准（BUSIS），并定量比较十四种最先进的BUS分割方法的性能。
【主题与分类】
主题标签：Breast Ultrasound、Image Segmentation、BUSIS、Benchmark、B-mode、Breast Cancer、Tumor Segmentation。
【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：http://cvprip.cs.usu.edu/busbench
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。
暂未开放有偿下载
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
源站：http://cvprip.cs.usu.edu/busbench
标准获取流程：
- 访问源站链接，注册/登录账号（该平台要求数据下载前注册登录）；
- 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
BUSIS是由哈尔滨工业大学、爱达荷大学和犹他州立大学等机构合作创建的乳腺超声图像分割基准数据集，包含562张来自26-78岁女性患者的乳腺超声图像，图像采集自多种超声设备。数据集由四位经验丰富的放射科医生通过标准化程序进行精确标注，旨在评估和比较不同分割算法的性能，主要用于乳腺肿瘤的自动检测和分割领域的研究与计算机辅助诊断系统开发。
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。
