HistoSet-5×14：平衡多器官组织病理学数据集集合

数据集获取

源站：https://doi.org/10.17632/nc8k63t7mp.1

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据集大小约 2.87 GB。

数据说明

HistoSet-5×14 是一个二级衍生组织病理学图像集合，通过汇集、标准化和重新平衡来自多个公开可用且经过同行评审的组织病理学数据集的图像而创建。该集合涵盖五种器官，即乳腺、结肠、肺、口腔和卵巢，并由十四种癌性和非癌性组织类别组成。该数据集旨在支持计算病理学中的多类别和多器官机器学习研究。HistoSet-5×14 中包含的图像来源于四个已建立的数据源。这些包括 Borkowski 等人（2019）提出的肺癌和结肠癌组织病理学图像数据集（LC25000）、Spanhol 等人（2015）的乳腺癌组织病理学图像分类数据集、Rahman 等人（2020）的口腔癌组织病理学成像数据库，以及 Kasture 等人（2021）提出的卵巢癌组织病理学数据集。所有源数据集均由苏木精和伊红染色的组织病理学图像组成，这些图像已去标识化并可公开用于研究用途。

由于原始数据集存在显著的类别不平衡和样本量异质性问题，HistoSet-5×14采用了一套标准化预处理流程，包括对代表性不足的类别进行受控数据增强，以及对代表性过度的类别进行降采样。每个类别被归一化至2,000张图像，总计得到28,000张图像。增强操作以保守方式进行，以在保留诊断相关形态学模式的同时改善类别平衡和模型鲁棒性。源数据集参考文献：1. Borkowski, A.A., et al. (2019). Lung and colon cancer histopathological image dataset (LC25000). arXiv:1912.12142. 2. Spanhol, F.A., et al. (2015). A dataset for breast cancer histopathological image classification. IEEE Transactions on Biomedical Engineering, 63(7), 1455–1462. 3. Rahman, T.Y., et al. (2020). Histopathological imaging database for oral cancer analysis. Data in Brief,

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。