基于深度学习的单图像超分辨率扫描系统用于口腔上皮异常增生病理诊断的可行性研究数据表8

数据集获取（Figshare）

• 源站标题：Data Sheet 8_Feasibility study of single-image super-resolution scanning system based on deep learning for pathological diagnosis of oral epithelial dysplasia.zip
• DOI：10.3389/fmed.2025.1550512.s010
• 发布日期：2025-03-12
• 文件数：1 个
• 文件总体积：18.75 MB
• 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_8_Feasibility_study_of_single-image_super-resolution_scanning_system_based_on_deep_learning_for_pathological_diagnosis_of_oral_epithelial_dysplasia_zip/28580468

命令行下载

curl -L -o "Data Sheet 8_Feasibility study of single-image super-resolution scanning system based on deep learning for pathological diagnosis of oral epithelial d.zip" "https://ndownloader.figshare.com/files/52936562"

文件清单

• Data Sheet 8_Feasibility study of single-image super-resolution scanning system based on deep learning for pathological diagnosis of oral epithelial d.zip（18.75 MB）

文件总体积 18.75 MB（源站 API 实测）。

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。

数据说明

本研究旨在评估将深度学习与超分辨率扫描仪相结合应用于口腔上皮异型增生(OED)切片数字化扫描与诊断的可行性。本研究构建了基于深度学习的超分辨率数字切片扫描系统模型，并使用40张口腔上皮组织病理切片进行训练。采用DS30R和Nikon扫描仪将200张具有明确OED诊断的切片扫描为数字切片，获取扫描仪参数并进行比较。以显微镜下诊断为金标准，评估同一病理医师在阅读不同扫描仪图像时对OED病理特征识别的灵敏度和特异度。此外，评估病理医师使用不同数字扫描成像系统获得的全切片诊断结果的一致性，以评价基于深度学习的超分辨率数字切片扫描系统用于OED病理诊断的可行性。DS30R扫描仪在0.25 min内完成单层全切片处理，占用存储空间0.35GB。

相比之下，Nikon扫描仪需要15分钟进行扫描，占用0.5GB存储空间。经过模型训练后，系统提高了口腔上皮组织病理切片成像的清晰度。DS30R和Nikon扫描仪在检测OED病理图像中的结构特征方面均表现出高灵敏度和特异性；然而，DS30R在识别某些细胞特征方面表现更优。同一病理学家使用不同成像系统对全切片诊断结论的一致性极高，DS30R-光学显微镜的kappa值为0.969，DS30R-Nikon-光学显微镜的kappa值为0.979。基于深度学习的超分辨率显微成像系统的性能得到了提升。它保留了OED的诊断信息，并解决了现有数字扫描仪的不足，如成像速度慢、数据量大以及快速传输和共享困难等问题。这种高质量的超分辨率图像为th奠定了坚实的基础。

许可

CC BY 4.0

引用

学术使用请引用 DOI 10.3389/fmed.2025.1550512.s010（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_8_Feasibility_study_of_single-image_super-resolution_scanning_system_based_on_deep_learning_for_pathological_diagnosis_of_oral_epithelial_dysplasia_zip/28580468）。