ISIC-2018 Challenge Task 3 伪影标注数据集（ArtifactPlus）

数据集获取

源站：https://doi.org/10.34808/spzv-0547

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

该数据集包含皮肤镜图像的元数据（来自ISIC-2018挑战赛任务3），并新增了人工标注的伪影标签，如毛发、尺子标记、界面液、暗角以及“其他”类别。数据集的构建是通过仔细审查并为每张图像针对这些特定伪影进行标注（每个伪影一个二分类标签），从而支持在多类别皮肤病变分类任务中进行针对性分析、训练及对抗数据偏差。“其他”类别被指定用于包含各种非皮肤背景元素（如耳内或手臂图像）、彩色标记、鼻孔、异常暗角以及其他不符合预定义四类的异常特征。文件列表 ├─── ISIC-2018挑战赛任务3（ArtifactPlus） └─── HAM10000_metadata_with_artifacts_labels.csv └─── ISIC2018_Task3_Test_GroundTruth_with_artifacts_labels.csv - 文件HAM10000_metadata_with_artifacts_labels.csv包含10,015（原始行数）* 5（标注的伪影类别数）个新的二分类标签。

• 文件ISIC2018_Task3_Test_GroundTruth_with_artifacts_labels包含1 511（原始行数）× 5（标注的伪影类别数）个新的二值标签。总计，ArtifactPlus数据集为原始数据集新增了57 630个伪影标签条目，丰富了数据，以支持更全面的模型训练和伪影分析。引用 如果您在研究中使用此数据集，请引用我们的配套论文：J. Buler, R. Buler, K. Brzozowski, M. Ferlin, M. Bobowicz, and M. Grochowski, “A holistic approach to multi-modal skin lesion diagnosis supported by statistical and explainability-based investigation of artifacts,” Journal of Artificial Intelligence and Soft Computing Research, (in press), 2026. 致谢与原始数据来源 HAM10000数据集：© 维也纳医科大学皮肤科ViDIR GroupDOI:10.1038/sdata.2018.161 MSK数据集：© Anonymousarxiv:1710.05006arxiv:1902.03368 图见下文

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。