APCEM增强型宫颈细胞学图像数据集

数据集获取

源站：https://doi.org/10.17632/snzb5g6ddy.2

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 91.1 MB。

数据说明

一个精心确定的汇编，包含4，253幅宫颈巴氏涂片细胞学图像，代表了上皮异常的不同阶段以及正常细胞状态，构成了APCEM-Enhanced宫颈细胞学图像数据集。该数据集旨在辅助细胞学图像分析、医学图像修改以及宫颈癌筛查的研究。为了在保持细胞学结构保真度和诊断意义的同时提高图像质量，所有图像均采用了推荐方法APCEM（自适应参数化细胞学增强模型）进行处理。研究假设：通过精心构建的传统图像增强技术，根据细胞学图像特性进行调整，而不牺牲诊断形态，可以显著提高巴氏涂片图像的视觉质量和结构清晰度。这种升级为宫颈癌研究中的后续分析和计算研究提供了更好的可解释性和更高质量的输入。数据展示：该集合包含4，253幅在标准实验室成像条件下获取的宫颈细胞学图像。

它包含六个具有临床意义的细胞学大类：ASCH（119张图像）、ASCUS（340张图像）、HSIL（1,300张图像）、LSIL（1,241张图像）、NILM（779张图像）和SCC（474张图像）。图像中展示了染色强度、细胞密度、重叠、背景伪影和疾病严重程度的真实变化，反映了实际细胞学玻片的特征。显著特征 • 经过APCEM预处理后，细胞学视野的标准化幅度。 • 根据Bethesda系统引入的六个细胞学类别。 • 现代自适应重构流程，无需基于学习的优化。 • 医学成像应用，如对比度增强和噪声抑制。 • 保留细胞质结构、细胞结构和细胞边缘。如何解读

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。