基于人工智能的口腔临床图像分析分类项目

数据集获取

源站：https://clinicaltrials.gov/study/NCT06325514

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。

数据说明

疾病：口腔癌、口腔扁平苔藓、福代斯斑、白斑、红斑、口腔白水肿、苔藓样反应。口腔病变的早期诊断，尤其是口腔癌的早期诊断，对于改善预后、促进早期干预和护理以降低疾病相关死亡率至关重要。由于常规口腔检查（COE）是识别口腔病变最常用的方法，普通牙科医生的经验是早期诊断的决定性因素。视诊缺乏特异性和敏感性，因为其高度主观。不幸的是，研究表明大多数牙医缺乏早期发现该疾病的专业知识，导致口腔病变的假阴性诊断。研究发现，全科医生要么延迟将疑似口腔病变转诊给口腔医学专家，要么转诊大量假阳性病例，不必要地将患者推入焦虑和癌症恐惧的状态。假阳性转诊使专家负担过重，最终会因假阳性病例的过度饱和而导致真阳性病例的诊断延迟。

诊断研究范围正转向无创、便捷的椅旁方法，以提高口腔病变早期检测的准确性。近期采用基于机器的程序的方法表明，这种机器学习方法可能有助于口腔癌的检测和诊断。

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。