增强阿尔茨海默病MRI四分类数据集
原始图像来自ADNI并经Kaggle获取。因原数据严重类别不平衡，采用分层增强，含随机旋转、平移和亮度调整，强度与各类初始样本量成反比，最终每类3,200张，完全均衡，可减少多数类偏差，适合训练、验证和测试EfficientNet等深度学习架构（来源 Mendeley Data）
基本信息
资源简介
增强阿尔茨海默病MRI四分类数据集
Augmented Alzheimer MRI 4-Classes Dataset
Augmented Alzheimer MRI 4-Classes Dataset 含12,800张预处理与增强的MRI扫描，用于阿尔茨海默病进展阶段分类，涵盖ND、VMD、MD、MOD四类。原始图像来自ADNI并经Kaggle获取。因原数据严重类别不平衡，采用分层增强，含随机旋转、平移和亮度调整，强度与各类初始样本量成反比，最终每类3,200张，完全均衡，可减少多数类偏差，适合训练、验证和测试EfficientNet等深度学习架构（来源 Mendeley Data）。
【数据集背景】
源站首次发布：2026-04-01。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集包含 12,800 张经预处理和增强的磁共振成像（MRI）扫描图像，专门用于阿尔茨海默病（AD）进展阶段的分类。数据分为四个不同的临床阶段：非痴呆（ND）、极轻度痴呆（VMD）、轻度痴呆（MD）和中度痴呆（MOD）。原始 MRI 图像最初通过 Kaggle 平台来源于 Alzheimer's Disease Neuroimaging Initiative（ADNI）。由于原始数据集存在严重的类别不平衡（严重偏向非痴呆类），本数据集提供了一个严格平衡的替代版本。采用了分层数据增强流程——结合几何变换（随机旋转、平移）和光度调整（亮度调节）——其增强强度与每个类别的初始样本量成反比。最终得到的数据集实现了完美的类别均衡，每个类别恰好包含 3,200 张图像。这种平衡分布降低了多数类偏倚的风险，非常适合用于训练、验证和测试深度学习架构（如 EfficientNet 模型），以实现早期且准确的 AD 诊断。
【数据结构与技术规格】
文件数 1 个，合计 65.68 MB。数据集 DOI：10.17632/ky2d3tmgyh.1。
【主题与分类】
主题标签：医学影像、核磁共振、神经影像、阿尔茨海默病、痴呆分期、图像分类、多分类。本站分类：神经系统疾病/阿尔茨海默病。
【获取与许可】
源站页面：https://data.mendeley.com/datasets/ky2d3tmgyh
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://data.mendeley.com/datasets/ky2d3tmgyh
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 65.7 MB。
数据说明
min li (2026). 增强阿尔茨海默病 MRI 4 类数据集 [数据集]. http://doi.org/10.17632/ky2d3tmgyh.1
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。
