瑞士VECTRA黑色素瘤检测数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT04605822

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

条件：黑色素瘤（皮肤）。本研究旨在比较将人类智能与人工智能相结合，与其独立应用在早期黑色素瘤检测中的准确性。将在真实世界环境中，把人工智能（AI）驱动的3D全身摄影（TBP）Vectra® WB360系统在检测黑色素瘤方面的实用性和临床性能，与由经验丰富的皮肤科医生进行临床评估的金标准、目前广泛使用的2D成像工具（FotoFinder ATBM® Master）以及基于智能手机的算法应用（如SkinVision®）进行比较。此处纳入的还包括关于患者对现代技术检查的主观体验、接受度和评价的具体问题。此外，还将在不同患者组中比较黑色素瘤风险或疾病带来的整体心理负担和担忧、焦虑、抑郁，并在所有参与者中调查心理支持需求、支持的实际接受情况及其预测因素。

为验证MELVEC（使用Vectra®在瑞士进行的黑色素瘤检测）测试流程，将开展一项分析，评估计算机引导的早期黑色素瘤检测风险评估评分的测量重复性。该验证分析的潜在益处在于优化MELVEC研究中未来随访访视及进一步入组患者的研究流程。此外，结果将揭示所研究的卷积神经网络（CNN）的可靠性，并有助于为其当前应用制定建议。再者，结果将为制造商提供关于系统临床应用可靠性的重要数据，以帮助各自算法的未来改进。

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。