ISIC：黑色素细胞病变重复皮肤镜图像
数据集来自一项前瞻性、观察性临床队列研究，旨在评估两种市售卷积神经网络（CNNs）在对躯干部黑色素细胞病变连续获取的五张皮肤镜图像进行黑色素瘤风险分类时的一致性
基本信息
资源简介
ISIC：黑色素细胞病变重复皮肤镜图像
数据集来自一项前瞻性、观察性临床队列研究，旨在评估两种市售卷积神经网络（CNNs）在对躯干部黑色素细胞病变连续获取的五张皮肤镜图像进行黑色素瘤风险分类时的一致性
Repeated Dermoscopic Images of Melanocytic Lesions
【数据集背景】
源站首次发布：2023。
【数据内容】
源站描述（机器翻译，仅供参考）：数据集来自一项前瞻性、观察性临床队列研究，旨在评估两种市售卷积神经网络（CNNs）在对躯干部黑色素细胞病变连续获取的五张皮肤镜图像进行黑色素瘤风险分类时的一致性。共纳入来自66名患者的116个黑色素细胞病变的117个重复图像序列。在疑似黑色素瘤或连续两次CNN风险评分升高的情况下进行了活检。专家共识结合1年随访图像（如有）确认了未进行组织学评估的病变的良性性质。Goessinger EV, Cerminara SE, Mueller AM, et al. Consistency of convolutional neural networks in dermoscopic melanoma recognition: A prospective real-world study about the pitfalls of augmented intelligence. J Eur Acad Dermatol Venereol. 2024;38(5):945-953. doi:10.1111/jdv.19777
【主题与分类】
主题标签：皮肤疾病、皮肤镜图像、黑色素瘤、卷积神经网络、重复成像、临床队列。本站分类：皮肤疾病。
【获取与许可】
源站页面：https://api.isic-archive.com/doi/repeated-dermoscopic-images-of-melanocytic-lesions/
使用许可：Attribution-NonCommercial 4.0 International。
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
源站：https://doi.org/10.34970/560760
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
来自一项前瞻性观察性临床队列研究的数据集，旨在评估两种市售卷积神经网络（CNNs）在对躯干部黑色素细胞病变连续获取的五张皮肤镜图像进行黑色素瘤风险分类时的一致性。共纳入来自66例患者的116个黑色素细胞病变的117组重复图像序列。对疑似黑色素瘤或连续两次CNN风险评分升高者进行了活检。由专家共识（包括可获取的1年随访图像）确认了未经组织学评估的病变为良性。Goessinger EV, Cerminara SE, Mueller AM, et al. Consistency of convolutional neural networks in dermoscopic melanoma recognition: A prospective real-world study about the pitfalls of augmented intelligence. J Eur Acad Dermatol Venereol. 2024;38(5):945-953. doi:10.1111/jdv.19777
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。
