Quantum-Net 可复现性包
该数据集为 Quantum-Net 的可复现性材料包，面向基于 MRI 的前列腺癌分类研究。包含计算笔记本、输出结果及支持材料，用于对比 ResNet50 基线方法与 Quantum-Net 统计-量子框架在标准成像、临床噪声及对抗扰动条件下的预测性能与鲁棒性
基本信息
资源简介
Quantum-Net 可复现性包
Quantum-Net Reproducibility Package
该数据集为 Quantum-Net 的可复现性材料包，面向基于 MRI 的前列腺癌分类研究。包含计算笔记本、输出结果及支持材料，用于对比 ResNet50 基线方法与 Quantum-Net 统计-量子框架在标准成像、临床噪声及对抗扰动条件下的预测性能与鲁棒性。可用于独立验证实验流程、复现统计分析及促进计算透明度（来源 DOI 解析）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该存储库提供与 Quantum-Net 相关的计算与可复现性材料，Quantum-Net 是一个基于密度算子的统计-量子框架，用于利用磁共振成像（MRI）进行稳健的前列腺癌分类。该研究探讨基于密度算子的统计-量子变换及其与深度卷积神经网络的集成。实验框架将传统 ResNet50 基线方法与 Quantum-Net 方法进行比较，并考察在标准成像条件、临床噪声和对抗扰动下的预测性能与鲁棒性。所存放的材料包旨在促进计算透明度、独立验证以及所报告实验程序和统计分析的可复现性。可复现性的范围取决于计算笔记本、输出结果和支持材料，包括
【主题与分类】
主题标签：Computer and Information Science、Mathematical Sciences、Statistical–Quantum Learning、Prostate MRI、Deep Learning、Density Operators、Robustness、Reproducibility、Statistical Inference。本站分类：肿瘤/前列腺癌。
【获取与许可】
源站页面：https://dataverse.harvard.edu/citation?persistentId=doi:10.7910/DVN/XMGLL0
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。
暂未开放公开下载
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。
免登录有偿下载
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://doi.org/10.7910/DVN/XMGLL0
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:
数据集大小约 128.3 MB。
数据说明
本仓库提供与Quantum-Net相关的计算与可复现性材料。Quantum-Net是一个统计—量子框架，用于基于磁共振成像（MRI）的稳健前列腺癌分类。该研究探讨了基于密度算子的统计—量子变换及其与深度卷积神经网络的集成。实验框架将传统ResNet50基线方法与Quantum-Net方法进行比较，并考察其在标准成像条件、临床噪声和对抗性扰动下的预测性能与稳健性。所存缴的材料包旨在促进计算透明度、独立验证以及所报告实验流程和统计分析的可复现性。可复现性的范围取决于存档中包含的计算笔记本、输出结果和支持材料。原始PI-CAI医学影像数据集不再分发。研究人员必须从PI-CAI官方提供方获取源图像，并遵守适用的数据访问和使用条件。
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。
