使用量子增强生成对抗网络的HAM 10000平衡数据集
该数据集包含使用量子生成对抗网络（QGAN）生成的合成皮肤镜皮肤病变图像，用于医学图像合成、合成数据增强和皮肤病变分类研究
基本信息
资源简介
使用量子增强生成对抗网络的HAM 10000平衡数据集
该数据集英文名称为“HAM 10000 Balanced Datset using quantun enhanced general adversial network.”，本站分类为肿瘤 / 皮肤癌，来源站为 doi.org。根据源站描述，该数据集包含使用量子生成对抗网络（QGAN）生成的合成皮肤镜皮肤病变图像，用于医学图像合成、合成数据增强和皮肤病变分类研究。数据集以 HAM10000 皮肤镜皮肤病变数据集作为源域，主要关注代表性不足的少数病变类别。其 QGAN 框架引入量子增强生成组件，学习类别特定的视觉表示并生成合成病变图像，同时保留相关的形态、纹理和颜色特征。生成图像旨在缓解皮肤镜数据集中常见的严重类别不平衡问题，并为机器学习和深度学习模型提供额外训练样本。作者为 Dev Goyal 和 Sharad Vyas，机构为 IEEE DataPort，发布时间为 2026 年，许可为 Creative Commons Attribution 4.0 International。
【数据集背景】
皮肤镜图像是皮肤病变研究和计算机辅助诊断的重要数据形式，但此类数据集常面临类别分布不均衡的问题，少数病变类别样本不足会影响模型训练效果。该数据集正是针对这一背景构建，利用量子生成对抗网络（QGAN）生成合成皮肤镜皮肤病变图像，以补充代表性不足的少数病变类别。其目标应用领域包括医学图像合成、合成数据增强以及皮肤病变分类研究。数据集以 HAM10000 皮肤镜皮肤病变数据集作为源域，聚焦于类别不平衡问题较为突出的少数类别，从而为相关研究提供额外的合成样本支持。
【数据内容】
该数据集包含由量子生成对抗网络生成的合成皮肤镜皮肤病变图像。源站描述指出，这些图像是使用 QGAN 生成的，生成过程中保留了相关的形态、纹理和颜色特征。数据集主要关注代表性不足的少数病变类别，并包含与这些类别相对应的合成样本。源站描述在“The dataset includes synthetic samples corresponding t”处中断，因此关于合成样本具体对应的类别范围、图像数量、分辨率、格式等细节，源站未提供。本站分类将其归入肿瘤 / 皮肤癌方向，说明其应用领域与皮肤肿瘤相关。
【采集与来源】
该数据集以 HAM10000 皮肤镜皮肤病变数据集作为源域。HAM10000 是皮肤镜皮肤病变图像领域的常用数据集，本数据集在其基础上通过量子生成对抗网络生成合成图像。来源站为 doi.org，机构为 IEEE DataPort。作者为 Dev Goyal 和 Sharad Vyas，发布时间为 2026 年。关于原始 HAM10000 数据的具体采集方式、伦理审批、患者信息等，源站未提供。关于 QGAN 的具体网络结构、量子增强生成组件的实现细节、训练参数等，源站未提供。
【适用场景】
根据源站描述，该数据集适用于医学图像合成、合成数据增强和皮肤病变分类研究。具体而言，生成的合成图像可用于缓解皮肤镜数据集中常见的严重类别不平衡问题，为机器学习和深度学习模型提供额外训练样本。研究者和开发者可将其用于训练或验证皮肤病变分类模型，也可用于探索合成数据增强策略对模型性能的影响。此外，该数据集还可用于医学图像合成方法的研究，尤其是基于量子生成对抗网络的生成模型研究。关于该数据集在具体任务中的性能表现、基准测试结果等，源站未提供。
【使用方法】
源站描述提到，该数据集旨在为机器学习和深度学习模型提供额外训练样本，并用于合成数据增强和皮肤病变分类研究。因此，典型使用方式可能包括：将合成图像与真实皮肤镜图像结合用于模型训练，或在类别不平衡场景下使用合成样本补充少数类别。关于数据的具体加载方式、目录结构、标注格式、预处理建议、训练配置等，源站未提供。用户需依据 Creative Commons Attribution 4.0 International 许可自行获取和使用数据。
【质量与限制】
该数据集为合成数据集，图像由量子生成对抗网络生成，而非真实临床采集。源站描述强调，生成图像保留了相关的形态、纹理和颜色特征，并主要针对代表性不足的少数病变类别。其目的在于缓解类别不平衡问题，但合成图像与真实图像之间可能存在分布差异，使用时需注意合成数据对模型泛化能力的影响。关于图像质量评估指标、与真实数据的对比结果、临床验证情况、潜在偏差等，源站未提供。此外，源站描述在“The dataset includes synthetic samples corresponding t”处中断，因此合成样本的具体覆盖范围和完整性无法确认。
【引用与许可】
该数据集的作者为 Dev Goyal 和 Sharad Vyas，机构为 IEEE DataPort，发布时间为 2026 年。许可为 Creative Commons Attribution 4.0 International，允许在署名条件下共享和改编。使用该数据集时，应按照该许可要求进行适当引用和署名。关于具体的引用格式、DOI 链接、版本信息等，源站未提供。建议用户在使用前查阅来源站 doi.org 上的原始页面，以获取最新的引用信息和许可条款。
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/10.21227/0atn-xp17
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
本数据集包含使用量子生成对抗网络（QGAN）生成的合成皮肤镜皮肤病变图像，用于医学图像合成、合成数据增强和皮肤病变分类研究。该数据集以HAM10000皮肤镜皮肤病变数据集作为源域生成，主要关注代表性不足的少数病变类别。基于QGAN的框架结合了量子增强生成组件，以学习类别特定的视觉表征并生成合成病变图像，同时保留相关的形态学、纹理和颜色特征。生成的图像旨在解决皮肤镜数据集中常见的严重类别不平衡问题，并为机器学习和深度学习模型提供额外的训练样本。
该数据集包含与HAM10000七个诊断类别相对应的合成样本：黑色素细胞痣（NV）、黑色素瘤（MEL）、良性角化病样病变（BKL）、基底细胞癌（BCC）、光化性角化病和上皮内癌（AKIEC）、血管病变（VASC）和皮肤纤维瘤（DF），特别侧重于对少数类别的增强。该数据集可用于合成图像生成评估、类别不平衡缓解、生成建模、量子机器学习、医学图像分析以及下游皮肤病变分类。提供该数据集旨在促进可重复研究以及皮肤镜成像中量子增强生成方法的比较评估。合成图像应被视为研究生成的数据，不应被解释为经过临床验证的医学图像，也不应直接用于临床诊断。
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。
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。
