CMMD 乳腺钼靶图像分类数据集

资源简介

CMMD 乳腺钼靶图像分类数据集

core-img-cls-mammography-cmmd 是一个面向乳腺影像分类的多模态数据集，来源于 Hugging Face 平台，标题为 multabench/core-img-cls-mammography-cmmd，在本站归类于肿瘤 / 乳腺癌方向。该数据集属于 MulTaBench 基准体系的一部分，后者是面向多模态表格学习的评测基准，配套有论文与排行榜。数据集的目标任务为分类，共包含 5202 行样本，文件数量为 4 个，合计约 1.60 GB，发布时间为 2026-10-01。数据同时提供图像与表格两类模态，可用于训练和评估结合图像与表格特征的多模态分类模型，服务于乳腺癌相关研究。

【数据集背景】

该数据集是 MulTaBench 基准的组成部分。MulTaBench 是一个面向多模态表格学习的基准，强调将文本、图像等非结构化模态与表格数据结合进行建模。相关论文为《MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image》，论文编号为 arXiv:2605.10616，并设有公开排行榜 multabench/leaderboard。该数据集在基准中的标识为 BIN_IMAGE_MAMMOGRAPHY_CMMD，任务类型为分类（Classification）。

【数据内容】

数据集共 5202 行，包含表格字段与图像文件两部分。表格部分以 Parquet 列式格式存储于 data.parquet 中，字段包括：左右侧别（分类型）、年龄（整数型）、异常情况（分类型）、图像路径（指向 images-*.zip 压缩包内部的路径）、裁剪方法（分类型）以及分类标签（字符串型）。图像数据分布在 images-00000.zip 与 images-00001.zip 两个压缩包中，表格中的图像路径字段用于定位包内对应图像。此外还包含 metadata.json 用于元数据描述。整体文件规模约 1.60 GB，样本量处于 1K 至 10K 区间。

【采集与来源】

该数据集的原始来源为 Kaggle 平台上的 cmmd-mammography 数据集（链接为 kaggle.com/datasets/nguynththanhho/cmmd-mammography），经 MulTaBench 整理后发布于 Hugging Face。数据集主题标签涵盖图像模态、表格模态、imagefolder 格式、datasets 与 mlcroissant 库，以及 multabench、tabular 等标识，地区标记为 us。

【适用场景】

依据其模态构成与任务设定，该数据可用于训练和评估融合图像与表格特征的多模态分类模型，典型应用方向为乳腺癌相关的影像分类研究。由于同时提供影像与年龄、侧别、异常情况、裁剪方法等表格信息，适合开展多模态表格学习方法的对比实验，也可作为 MulTaBench 基准评测中的标准数据划分使用。

【使用方法】

可通过 MulTaBench 提供的接口加载基准划分，调用方式为 multabench.load_split(“BIN_IMAGE_MAMMOGRAPHY_CMMD”, fold=0)。使用前需下载全部 4 个数据文件，按格式分别读取：Parquet 采用列式存储读取，图像位于 ZIP 压缩包内需解压或按路径索引，JSON 文件用于读取元数据。建议先在小样本上核对字段与编码，确认无误后再批量接入完整数据。

【质量与限制】

源站未提供关于数据质量、标注一致性、类别分布或缺失情况的具体说明。需注意图像以压缩包形式分发，读取时依赖表格中的路径字段与包内目录结构保持一致；样本量为 5202 行，属于中等规模。其他质量相关指标源站未提供。

【引用与许可】

引用信息为 MulTaBench 论文，bibtex 条目作者为 arazi 等，年份 2026，标题为《MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image》。许可证信息源站未提供。