当前位置：首页 > news >正文

HAM正常皮肤图像增强数据集

news 2026/8/17 7:09:20

摘要：HAM正常皮肤图像增强数据集是在著名的HAM10000（人类对抗恶性肿瘤10000）皮肤镜图像数据集基础上扩展而来的增强版皮肤病变分类数据集，通过添加正常皮肤图像类别（normal）并对所有类别进行数据平衡处理，形成包含八个类别、每类6660张图像、总计53,280张图像的大规模平衡数据集。

数据集简介

数据集概述

HAM正常皮肤图像增强数据集是在著名的HAM10000（人类对抗恶性肿瘤10000）皮肤镜图像数据集基础上扩展而来的增强版皮肤病变分类数据集，通过添加正常皮肤图像类别（normal）并对所有类别进行数据平衡处理，形成包含八个类别、每类6660张图像、总计53,280张图像的大规模平衡数据集。原始HAM10000数据集包含七种常见皮肤病变类型：光化性角化病/鲍温病（akiec）、基底细胞癌（bcc）、良性角化病变（bkl）、皮肤纤维瘤（df）、黑色素瘤（mel）、黑色素细胞痣（nv）和血管病变（vasc），涵盖良性和恶性皮肤疾病。该增强版数据集通过添加正常皮肤类别，解决了原始数据集类别不平衡问题，并增强了模型区分正常皮肤与病变皮肤的能力，为皮肤癌早期筛查、皮肤病智能诊断和计算机辅助检测系统提供了更加完善和实用的训练数据基础。

数据结构与关键特征

数据集采用标准图像分类格式，包含八个类别目录，每个类别目录包含6660张皮肤镜图像，实现完全平衡的类别分布（总计53,280张图像）。关键特征包括：类别平衡性（通过数据增强技术如旋转、翻转、色彩变换等方式扩充少数类样本至6660张）、新增正常皮肤基线类别（为二分类和多分类任务提供健康皮肤参照）、多样化的病变形态学特征（色素沉着、边界清晰度、不对称性、颜色多样性）、以及皮肤镜成像的高分辨率细节（毛细血管、色素网络、角质层等微观结构）。数据集涵盖从良性病变（bkl、df、nv）到恶性肿瘤（mel、bcc）再到癌前病变（akiec）的完整疾病谱系，同时包含血管性病变（vasc）和正常皮肤对照（normal），为构建临床实用的皮肤病AI诊断系统提供了全面的训练样本。数据增强处理不仅解决了原始HAM10000数据集中黑色素瘤（mel）和光化性角化病（akiec）样本不足的问题，还通过引入正常皮肤类别，使模型能够学习”无病变”的特征表示，提升了在真实临床筛查场景中的特异性和准确性。

应用价值与研究方向

数据集在智能皮肤病诊断、皮肤癌早期筛查、远程医疗和计算机辅助诊断系统开发领域具有重要应用价值，可用于构建皮肤镜图像自动分类系统、黑色素瘤智能识别平台、移动端皮肤病自检APP、远程皮肤科会诊工具以及基层医疗筛查辅助系统。研究方向包括：基于深度学习的多类别皮肤病变分类算法（ResNet、EfficientNet、Vision Transformer）、类不平衡问题处理技术验证、迁移学习与预训练模型微调、注意力机制在病变特征定位中的应用、良恶性病变鉴别诊断模型、多任务学习（同时进行分类和分割）、可解释性AI技术用于诊断依据可视化（Grad-CAM、SHAP）、以及联邦学习在隐私保护医学影像分析中的应用。正常皮肤类别的加入使数据集特别适合研究：二分类任务（病变vs正常）与多分类任务的性能对比、正常皮肤基线对模型特异性的影响、以及在真实临床筛查流程中降低假阳性率的策略。此外，该数据集还可支持少样本学习、域适应、跨数据集泛化等前沿研究，并可扩展至其他医学影像分类任务。在全球皮肤癌发病率持续上升、皮肤科医生资源分布不均的背景下，该数据集为推动AI辅助皮肤癌筛查技术普及、提升早期诊断率、改善患者预后、降低医疗成本提供了重要的数据支撑和技术基础。