扫描组织病理切片皮肤解剖组织结构与肿瘤检测的深度学习数据集

数据集获取

源站：https://doi.org/10.11588/data/7qcr8s

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

基底细胞癌（BCC）、鳞状细胞癌（SqCC）和黑色素瘤是最常见的癌症类型之一。基于活检或切除后的组织学评估进行正确诊断对于适当的治疗分层至关重要。组织学切片上的深度学习已被提出作为辅助和改善常规诊断的手段。公开可用的、经过整理和注释的数据以及用于区分常见皮肤肿瘤的可用模型很少，且往往缺乏异质性非肿瘤类别。在扫描的组织学切片上，对来自386例病例的共16个类别进行了人工注释，提取了129364个100 x 100 µm（395 x 395 px）的图像块，并将其分为训练集、验证集和测试集。训练并优化了一个EfficientV2神经网络以对图像类别进行分类。采用交叉熵损失、平衡准确率和马修斯相关系数进行模型评估。通过混淆矩阵评估图像和患者数据。将该模型应用于外部整套切片，促进了肿瘤定位。

自动区分基底细胞癌、鳞状细胞癌、黑色素瘤、痣和非肿瘤组织结构成为可能，并在验证集（98%）和测试集（97%）中实现了高诊断准确性。总之，我们提供了一个精选数据集，包括最常见的皮肤肿瘤和多种解剖区域，使研究人员能够训练、验证和改进深度学习模型。通过深度学习技术对皮肤肿瘤进行自动分类具有高精度，有助于肿瘤定位，并有可能支持和改进常规诊断。

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。