AloNet 补充资源库

数据集获取

源站：https://doi.org/10.17632/k63rk3j5by

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

AloNet 作者：Solam Lee (solam@yonsei.ac.kr) AloNet 是一个基于 U-Net 的卷积神经网络，可通过分析临床照片来识别脱发区域和头皮区域。该模型旨在自动计算斑秃患者评估中的脱发严重程度工具（SALT）评分。本仓库发布了 Mendeley 补充材料、程序代码以及论文《Clinically Applicable Deep Learning Framework for Measurement of the Severity of Alopecia Tool Score in Patients with Alopecia Areata》中使用的相关数据。连同“/Program/”目录中的程序，共 2716 个用于训练脱发识别器（掩码）和脱发识别器（目标）的像素级标注可在“/Data/”目录中找到。但请注意，由于严格的隐私法规，患者的临床照片无法公开提供。在使用 AloNet 程序处理您的数据集之前，您应将数据集转换为 numpy 文件。

一张临床照片（保存为.jpg格式，RGB色彩模式）需要分别对头皮区域（保存为.gif格式，黑白色彩）和脱发区域（保存为.gif格式，黑白色彩）进行标注。请确保它们彼此之间具有相同的图像尺寸，否则转换将失败。我们目前正在为AloNet开发几种后处理算法，以便其能够普遍使用。当程序准备就绪可供使用时，Flask网络应用程序及其代码将公开提供。

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。