皮肤癌 MNIST：HAM10000
该数据集是一个包含10000张皮肤镜图像（医学影像模态）的公开数据集，涵盖多种良性、恶性皮肤病变，数据来源于临床采集，主要用于训练和评估神经网络模型在皮肤癌自动诊断、病变分类及医学影像分析领域的研究与应用。
基本信息
资源简介
皮肤癌 MNIST：HAM10000
【一句话概览】
HAM10000 数据集旨在解决皮肤镜图像数据集尺寸小、缺乏多样性的问题，共包含 10015 张来自不同人群、通过不同方式获取和存储的皮肤镜图像，可用作学术机器学习训练集。案例覆盖色素病变领域所有重要诊断类别，包括光化性角化病和上皮内癌/鲍温氏病、基底细胞癌等，其中超过 50% 的病变经组织病理学证实，其余 ground truth 来自后续检查、专家共识或活体共聚焦显微镜。数据集包含具有多个图像的病变，可通过 HAM10000_metadata 文件中的 lesion_id 列跟踪（来源 cvmart.net）。
【数据内容】
源站原始描述：用于自动诊断色素性皮肤病变的神经网络训练受到可用皮肤镜图像数据集尺寸小和缺乏多样性的阻碍。作者通过发布 HAM10000（“Human Against Machine with 10000 training images”）数据集来解决这个问题。作者收集了来自不同人群的皮肤镜图像，通过不同的方式获取和存储。最终数据集包含 10015 张皮肤镜图像，可用作学术机器学习目的的训练集。案例包括色素病变领域所有重要诊断类别的代表性集合：光化性角化病和上皮内癌/鲍温氏病 (akiec)、基底细胞癌 (bcc)、超过50%的病变是通过组织病理学（histo）证实的，其余病例的ground truth要么是后续检查（follow_up），要么是专家共识（consensus），要么是活体共聚焦显微镜（confocal）证实. 数据集包括具有多个图像的病变，可以通过 HAM10000_metadata 文件中的 lesion_id 列进行跟踪。
中文译文（机器翻译，仅供快速理解，请以原文为准）：用于自动诊断色素性皮肤病变的神经网络训练受到可用皮肤镜图像数据集尺寸小和缺乏多样性的阻碍。作者通过发布 HAM10000（“Human Against Machine with 10000 training images”）数据集来解决这个问题。作者收集了来自不同人群的皮肤镜图像，通过不同的方式获取和存储。最终数据集包含 10015 张皮肤镜图像，可用作学术机器学习目的的训练集。案例包括色素病变领域所有重要诊断类别的代表性集合：光化性角化病和上皮内癌/鲍温氏病 (akiec)、基底细胞癌 (bcc)、超过50%的病变是通过组织病理学（histo）证实的，其余病例的ground truth要么是后续检查（follow_up），要么是专家共识（consensus），要么是活体共聚焦显微镜（confocal）证实. 数据集包括具有多个图像的病变，可以通过 HAM10000_metadata 文件中的 lesion_id 列进行跟踪。
【主题与分类】
主题标签：皮肤癌、色素性皮肤病变、皮肤镜图像、医学影像、黑色素瘤、基底细胞癌、光化性角化病、图像分类。
【获取与许可】
源站页面：https://www.cvmart.net/dataSets/detail/725
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。
需登录公开下载
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。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放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://www.cvmart.net/dataSets/detail/725
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
HAM10000是一个公开的皮肤镜图像数据集，旨在解决自动诊断色素性皮肤病变时面临的数据集规模小、多样性不足的问题。该数据集包含10000张皮肤镜图像，涵盖多种良性、恶性皮肤病变类型，数据来源于临床采集。主要用于训练和评估神经网络模型在皮肤癌诊断、分类及医学影像分析领域的研究与应用。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
