基于深度学习与空间分析的角质层纳米纹理特征检测支持数据：皮肤屏障无创评估工具

数据集获取

源站：https://doi.org/10.5524/102604

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

角质细胞表面纳米级形貌（纳米纹理）近来已成为炎症性皮肤病（如特应性皮炎，AD）的潜在生物标志物。该评估方法通过量化角质细胞纳米纹理图像中的圆形纳米级物体（CNOs），可借助角质层（SC）胶带剥离实现无创分析。当前识别CNOs的方法依赖于具有特定几何标准的计算机视觉技术，由于纳米成像技术易受环境噪声和角质细胞上结构遮挡的影响，导致结果不准确。本研究招募了45名AD患者和15名健康对照者，根据其湿疹面积和严重程度指数（EASI）评分均匀分为四个严重程度组。随后，我们使用自主研发的高速皮肤原子力显微镜收集了超过1，000张角质细胞纳米纹理图像的数据集。该数据集用于训练最先进的深度学习目标检测器以识别CNOs。

此外，我们采用核密度估计器（KDE）分析CNO的空间分布，排除了CNO出现极少的无效区域，如皮嵴和遮挡区域，从而提高了密度计算的准确性。经过微调，我们的检测模型在检测CNO方面达到了91.4%的总体准确率。通过将深度学习目标检测器与空间分析算法相结合，我们开发了一种精确计算CNO密度的方法，称为有效角质细胞拓扑指数（ECTI）。ECTI对纳米成像伪影表现出卓越的鲁棒性，并通过有效区分不同AD严重程度的SC样本与健康对照，在推进AD诊断方面展现出巨大潜力。

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。