数字乳房X线摄影DREAM挑战
数字乳房x线摄影梦想挑战将尝试提高数字乳房x线摄影的预测准确性，以早期发现乳腺癌。这项挑战的主要好处是建立新的定量工具-机器学习，深度学习或其他-可以帮助降低筛查乳房x线照相术的召回率，并可能影响将常规乳腺癌筛查的平衡…
基本信息
资源简介
数字乳房X线摄影DREAM挑战
【一句话概览】
数字乳房X线摄影梦想挑战旨在提高数字乳房X线摄影的预测准确性，以早期发现乳腺癌。其主要好处是建立新的定量工具，如机器学习、深度学习或其他方法，帮助降低筛查乳房照相术的召回率，并可能影响将常规乳腺癌筛查的平衡转向更多收益和更少伤害。参与团队需提交基于来自86000多个受试者的640000多个去识别数字乳房X线摄影图像及相应临床变量的预测模型（来源 opendatalab.org.cn）。
【数据集背景】
本数据集源站标题为《The Digital Mammography DREAM Challenge》。
【数据内容】
源站原始描述：数字乳房x线摄影梦想挑战将尝试提高数字乳房x线摄影的预测准确性，以早期发现乳腺癌。这项挑战的主要好处是建立新的定量工具-机器学习，深度学习或其他-可以帮助降低筛查乳房x线照相术的召回率，并可能影响将常规乳腺癌筛查的平衡转向更多的收益和更少的伤害。参与团队将被要求提交基于来自86000多个受试者的640,000多个去识别的数字乳房x线摄影图像的预测模型，以及相应的临床变量。
中文译文（机器翻译，仅供快速理解，请以原文为准）：数字乳房X线摄影梦想挑战旨在提升数字乳房X线摄影的预测精度，以期更早发现乳腺癌。该挑战的核心价值在于开发新的定量工具——无论是机器学习、深度学习还是其他技术——这些工具能帮助减少筛查性乳房X线照相的召回率，并可能促使常规乳腺癌筛查的利弊平衡向更多益处和更少伤害倾斜。参赛团队需提交基于来自超过86,000名受试者的640,000多张去标识化数字乳房X线摄影图像及相应临床变量的预测模型。
【主题与分类】
主题标签：数字乳房x线摄影、乳腺癌、机器学习、深度学习、医学影像。
【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：https://opendatalab.org.cn/OpenDataLab/The_Digital_Mammography_DREAM_etc
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。
需登录公开下载
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://opendatalab.org.cn/OpenDataLab/The_Digital_Mammography_DREAM_etc
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实名认证）；
- 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:
数据集大小约 0.40 GB。
数据说明
该数据集源自数字乳房X线摄影DREAM挑战，包含来自86,000多名受试者的640,000多张去标识化数字乳房X线摄影图像及相应临床变量，旨在通过机器学习等方法提高乳腺癌早期检测的预测准确性，降低筛查召回率。
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。
