ISIC挑战2020
先前的皮肤图像数据集尚未解决从同一患者的多个皮肤病变获得的患者级别信息。尽管人工智能分类算法在检查单个图像的对照研究中已达到专家级的性能，但实际上，皮肤科医生从同一患者的多个病变中全面判断。构建本文所述的2020 si…
基本信息
资源简介
ISIC挑战2020
【一句话概览】
2020 siim-isic黑色素瘤分类挑战数据集针对既往皮肤图像数据集未解决的患者级别信息问题而构建，为每张图像提供标识符，使同一患者的多个病变可相互映射。该数据集涵盖三大洲2,056名患者，平均每位患者16个病变，包含33,126个皮肤镜图像和584个组织病理学证实的黑色素瘤，并设有良性黑色素瘤模拟物作为对照，旨在缩小既往挑战与临床实践之间的差异（来源 opendatalab.org.cn）。
【数据集背景】
本数据集源站标题为《ISIC Challenge 2020》。
【数据内容】
源站原始描述：先前的皮肤图像数据集尚未解决从同一患者的多个皮肤病变获得的患者级别信息。尽管人工智能分类算法在检查单个图像的对照研究中已达到专家级的性能，但实际上，皮肤科医生从同一患者的多个病变中全面判断。构建本文所述的2020 siim-isic黑色素瘤分类挑战数据集以解决先前挑战与临床实践之间的这种差异，为数据集中的每个图像提供允许来自同一患者的病变被映射到彼此的标识符。临床医生经常使用此患者水平的上下文信息来诊断黑色素瘤，并且在排除许多非典型痣患者的假阳性方面特别有用。该数据集代表来自三大洲的2,056名患者，平均每位患者16个病变，包括33,126个皮肤镜图像和584个组织病理学证实的黑色素瘤，与良性黑色素瘤模拟物相比。
中文译文（机器翻译，仅供快速理解，请以原文为准）：先前的皮肤图像数据集尚未解决从同一患者的多个皮肤病变获得的患者级别信息。尽管人工智能分类算法在检查单个图像的对照研究中已达到专家级的性能，但实际上，皮肤科医生从同一患者的多个病变中全面判断。构建本文所述的2020 siim-isic黑色素瘤分类挑战数据集以解决先前挑战与临床实践之间的这种差异，为数据集中的每个图像提供允许来自同一患者的病变被映射到彼此的标识符。临床医生经常使用此患者水平的上下文信息来诊断黑色素瘤，并且在排除许多非典型痣患者的假阳性方面特别有用。该数据集代表来自三大洲的2,056名患者，平均每位患者16个病变，包括33,126个皮肤镜图像和584个组织病理学证实的黑色素瘤，与良性黑色素瘤模拟物相比。
【主题与分类】
主题标签：智慧医疗、黑色素瘤、皮肤镜图像、组织病理学、皮肤病变。
【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/ISIC_Challenge_2020
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。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
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/ISIC_Challenge_2020
标准获取流程：
- 访问源站链接，注册/登录账号；
- 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:
数据说明
该数据集用于解决从同一患者多个皮肤病变获取患者级别信息的问题，包含33,126张皮肤镜图像，来自三大洲2,056名患者，涉及黑色素瘤分类任务，旨在提升临床诊断中利用患者级上下文信息区分黑色素瘤与良性模拟物的能力。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
