ISIC 2019皮肤病变挑战数据
ISIC 2019皮肤病变挑战数据是公开可访问数据集，包含皮肤镜图像、临床元数据和血管病变诊断类别等图像数据，围绕血管异常相关临床表现、影像、信号或组学信息，适合用于分类、模型训练、外部验证和疾病机制探索。
基本信息
资源简介
ISIC 2019皮肤病变挑战数据
【一句话概览】
本年度ISIC挑战赛关注皮肤病变分类的临床应用，该应用有两大目标：为病变提供具体信息和治疗方案，以及以合理的敏感性和特异性检测皮肤癌。前者需在多个类别中做出正确的具体诊断，后者则需做出“活检”与“不活检”的二元决策。以往挑战赛聚焦于第二项任务，今年则希望针对更具挑战性的归一化多分类准确率指标进行排名，这也更接近皮肤科医生的真实评估，并对扩展的读者研究具有重要意义，获胜算法将与医生在数字图像分类中的表现进行比较。影像数为25331（来源 ISIC Archive）。
【数据内容】
源站原始描述：Clinical application on skin lesion classification has two goals eventually: Giving specific information and treatment options for a lesion, and detecting skin cancer with a reasonable sensitivity and specificity. The first task needs a correct specific diagnosis out of multiple classes, whereas the second demands a binary decision "biopsy" versus "don’t biopsy". In the former ISIC Challenges, focus was on the second task, therefore this year we want to rank for the more ambitious metric of norm…
中文译文（机器翻译，仅供快速理解，请以原文为准）：皮肤病变分类的临床应用最终有两个目标：为病变提供具体信息和治疗选择，以及以合理的敏感性和特异性检测皮肤癌。第一项任务需要在多个类别中做出正确的具体诊断，而第二项任务则要求做出“活检”与“不活检”的二元决策。在之前的ISIC挑战赛中，重点放在第二项任务上，因此今年我们希望针对更具挑战性的归一化多类准确率指标进行排名，因为这也更接近皮肤科医生的真实评估。这对于扩展的读者研究也很重要，在该研究中，获胜算法将与医生在数字图像分类中的表现进行比较。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://challenge.isic-archive.com/landing/2019/
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://challenge.isic-archive.com/landing/2019/
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
ISIC 2019皮肤病变挑战数据包含皮肤镜图像、临床元数据和血管病变诊断类别等图像数据，可用于血管异常相关分类、诊断建模、分型或外部验证。
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。
