龋齿全基因组关联与基因-环境交互研究数据集
该数据集来自 plos.figshare.com，包含 2,682 张口内相机图像，涉及 534 名平均年龄 47.67 岁的参与者，用于龋齿存在与否的图像分类及龋齿病灶定位
基本信息
资源简介
龋齿全基因组关联与基因-环境交互研究数据集
Dataset composition.
该数据集来自 plos.figshare.com，包含 2,682 张口内相机图像，涉及 534 名平均年龄 47.67 岁的参与者，用于龋齿存在与否的图像分类及龋齿病灶定位。数据按诊断研究设计划分为训练集（56.0%）、验证集（14.0%）和测试集（30.0%），由一名经验丰富的牙医标注作为参考标准。该数据集可用于评估基于深度学习的龋齿检测与筛查模型，如 ResNet-50、Inception-v3、Inception-ResNet-v2 和 Faster R-CNN 等（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2024-09-06。
【数据内容】
源站描述（机器翻译，仅供参考）：基于相机图像的深度学习（DL）技术在龋齿筛查中已取得有希望的结果。为将口内相机图像-based DL 技术应用于龋齿检测并评估其诊断性能，我们在图像分类任务中采用了集成技术。根据诊断研究设计，使用 ResNet-50、Inception-v3、Inception-ResNet-v2 和 Faster R-卷积神经网络等 DL 模型，将 2,682 张口内相机图像作为数据集，用于根据龋齿存在与否进行图像分类以及龋齿病灶定位。共纳入 534 名参与者，平均年龄 [SD] 为 47.67 [±13.94] 岁。数据集被划分为训练子集（56.0%）、验证子集（14.0%）和测试子集（30.0%），由一名经验丰富的牙医就龋齿检测和病灶位置进行标注作为参考标准。混淆矩阵，一个
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。数据集 DOI：10.1371/journal.pone.0310004.t001。
【主题与分类】
源站学科分类：Space Science、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified。主题标签：one experienced dentist、intraoral camera image、image classification task、image classification according、67 [&# 177、dental caries screening、dental caries presence、dental caries detection、achieved promising results、0 %) annotated。本站分类：口腔疾病。
【适用方向】
源站学科分类标注为 Space Science、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/Dataset_composition_/26960291
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Kang, Sohee; Shon, Byungeun; Park, Eun Young; Jeong, Sungmoon; Kim, Eun-Kyong (2024). Dataset composition.. PLOS ONE. Dataset
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（Figshare）
- 源站标题：Dataset composition.
- DOI：10.1371/journal.pone.0310004.t001
- 发布日期：2024-09-06
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Dataset_composition_/26960291
命令行下载
curl -L -o "Table 1.xls" "https://ndownloader.figshare.com/files/49059353"
文件清单
Table 1.xls（5.63 KB）
文件总体积 5.63 KB（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
基于相机图像的深度学习（DL）技术在龋齿筛查中已取得良好效果。为将基于口内相机图像的DL技术应用于龋齿检测并评估其诊断性能，我们在图像分类任务中采用了集成技术。根据诊断研究设计，使用ResNet-50、Inception-v3、Inception-ResNet-v2和Faster R-卷积神经网络等DL模型，将2,682张口内相机图像作为数据集，依据龋齿是否存在及龋损定位进行图像分类。共纳入534名参与者，平均年龄[SD]为47.67[±13.94]岁。数据集由一名经验丰富的牙医依据龋齿检测和病损定位的参考标准进行标注，分为训练集（56.0%）、验证集（14.0%）和测试子集（30.0%）。采用混淆矩阵、受试者工作特征曲线下面积（AUROC）和平均精度（AP）进行性能分析评估。
在端到端的龋齿图像分类中，集成深度学习模型的性能持续提升，其中最佳结果为Inception-ResNet-v2集成模型达到了0.94的AUROC和0.97的AP。另一方面，可解释模型在应用集成后达到了0.91的AUROC和0.96的AP。对于使用口内相机图像进行龋齿分类，无论采用何种深度学习模型，集成技术的应用均表现出持续改善的性能。此外，基于龋损检测构建可解释深度学习模型的尝试也取得了良好的结果。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0310004.t001（source: https://plos.figshare.com/articles/dataset/Dataset_composition_/26960291）。
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。
