DermaSynth：基于开放获取皮肤病学数据集的丰富合成图像-文本对
DermaSynth 是一个面向皮肤病学视觉大语言模型研究的合成图像-文本对数据集，包含 92,020 对合成图文数据，源自 45,205 张图像（13,568 张临床图像与 35,561 张皮肤镜图像）
基本信息
资源简介
DermaSynth：基于开放获取皮肤病学数据集的丰富合成图像-文本对
DermaSynth: Rich Synthetic Image-Text Pairs Using Open Access Dermatology Datasets
DermaSynth 是一个面向皮肤病学视觉大语言模型研究的合成图像-文本对数据集，包含 92,020 对合成图文数据，源自 45,205 张图像（13,568 张临床图像与 35,561 张皮肤镜图像）。数据基于 DERM12345、BCN20000、PAD-UFES-20、SCIN 和 HIBA 等开放获取皮肤病学图像库构建，采用 Gemini 2.0 结合临床相关提示与 self-instruct 方法生成多样化合成文本，并将数据集元数据纳入输入提示以减少幻觉。该数据集可用于皮肤病学相关临床任务的视觉语言模型训练与评测（来源 DataONE，http://creativecommons.org/licenses/by-nc-s。
【数据内容】
源站描述（机器翻译，仅供参考）：在皮肤病学领域开发视觉大语言模型（LLMs）的一个主要障碍是缺乏大型图像-文本对数据集。我们推出 DermaSynth，这是一个由 92,020 对合成图像-文本对组成的数据集，这些数据从 45,205 张图像（13,568 张临床图像和 35,561 张皮肤镜图像）中整理而来，用于皮肤病学相关临床任务。利用最先进的大语言模型，使用 Gemini 2.0，我们采用临床相关提示和 self-instruct 方法生成多样且丰富的合成文本。数据集的元数据被纳入输入提示中，目标在于减少潜在的幻觉。所得数据集建立在具有宽松 CC-BY-4.0 许可的开放获取皮肤病学图像库（DERM12345、BCN20000、PAD-UFES-20、SCIN 和 HIBA）之上。我们还在 5,000 个样本上微调了一个初步的 Llama-3.2-11B-Vision-Instruct 模型，DermatoLlama 1.0。我们预计该数据集 t
【主题与分类】
主题标签：Synthetic Data、Skin Cancer、Dermatology、Skin Lesion、Computer and Information Science、Medicine, Health and Life Sciences、Skin Disease。本站分类：皮肤疾病。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3A64a5b9bdfe8842e68a4a3839e669df474fbed7b0c4c089c3cbd38f01d2072d72
使用许可：http://creativecommons.org/licenses/by-nc-sa/4.0。
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
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
在皮肤科开发视觉大语言模型（LLMs）的一个主要障碍是缺乏大型图像-文本对数据集。我们推出了DermaSynth，这是一个包含92,020个合成图像-文本对的数据集，这些数据对是从45,205张图像（13,568张临床图像和35,561张皮肤镜图像）中整理而来，用于皮肤科相关的临床任务。利用最先进的大语言模型，采用Gemini 2.0，我们使用临床相关提示和自我指导方法生成了多样且丰富的合成文本。数据集的元数据被纳入输入提示中，旨在减少潜在的幻觉。由此产生的数据集建立在开放获取的皮肤科图像存储库（DERM12345、BCN20000、PAD-UFES-20、SCIN和HIBA）之上，这些存储库具有宽松的CC-BY-4.0许可证。我们还对初步的Llama-3.2-11B-Vision-Instruct模型DermatoLlama 1.0在5,000个样本上进行了微调。我们预计该数据集将支持和加速皮肤科的人工智能研究。
本工作所依据的数据和代码可在 https://github.com/abdurrahimyilmaz/DermaSynth 获取 ## 引用 如果您在研究中使用这些数据和代码，请引用以下论文： @article{yilmaz2025dermasynth, title={DermaSynth: Rich Synthetic Image-Text Pairs Using Open Access Dermatology Datasets}, author={Yilmaz, Abdurrahim and Yuceyalcin, Furkan and Gokyayla, Ece and Choi, Donghee and Erdem, Ozan and Demircali, Ali Anil and Varol, Rahmetullah and Kirabali, Ufuk Gorkem and Gencoglan, Gulsum and Posma, Joram M and Temelkuran, Burak}, journal={arXiv preprint arXiv:2502.00196}, year={2025} }
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
