摘要：该多癌症医学图像数据集是为开发和评估癌症检测与分类深度学习模型而精心策划的综合性数据集，整合了来自多个公开数据集和学术资源的医学图像。
数据集概述
该多癌症医学图像数据集是为开发和评估癌症检测与分类深度学习模型而精心策划的综合性数据集，整合了来自多个公开数据集和学术资源的医学图像。数据集涵盖四种不同的癌症类型：乳腺癌（组织病理学图像）、肺癌（组织病理学图像）、卵巢癌（组织病理学图像）和皮肤癌（皮肤镜图像）。每种癌症类型均组织为良性（Benign）和恶性（Malignant）两个类别，提供了标准化的目录结构，适用于二分类、多分类、迁移学习和其他计算机视觉应用。该数据集作为本科毕业设计项目”基于深度学习的多癌症检测与分类”的一部分而构建，由印度浦那Sinhgad理工学院电子与通信工程专业的Naman Fakirde策划，整合了来自Multi Cancer Dataset（乳腺癌和肺癌，作者Obuli Sai Naren）、HAM10000皮肤癌数据集以及用于学术研究的卵巢癌图像。
数据结构与关键特征
数据集采用层次化目录结构组织，包含四个顶层癌症类型文件夹（Breast Cancer、Lung Cancer、Ovarian Cancer、Skin Cancer），每个文件夹下包含良性和恶性两个子类别。目录结构与TensorFlow、Keras和PyTorch等主流深度学习框架完全兼容，便于直接加载和训练。数据集的关键特征在于多模态成像方式的整合：三种癌症类型（乳腺、肺、卵巢）采用组织病理学成像，显微镜下的细胞和组织结构特征；皮肤癌采用皮肤镜成像，表面病变的宏观视觉特征。数据集经过系统化策划流程，包括选择四种与项目相关的癌症类型、将图像组织为良性和恶性类别、标准化文件夹层次结构、清理不必要的文件和文件夹以及为深度学习工作流做准备，但在策划过程中未修改任何图像标签，保持了数据的原始性和可追溯性。
应用价值与研究方向
该数据集在多癌症智能诊断和泛癌症深度学习研究领域具有重要价值，特别适用于医学图像分类、癌症检测、良恶性鉴别以及跨癌症类型的迁移学习。研究方向包括：单一癌症类型的二分类模型（良性vs恶性）、多癌症类型的多分类模型（8分类：4种癌症×2种性质）、基于ImageNet预训练模型的迁移学习、跨癌症领域的知识迁移、多任务学习框架同时预测癌症类型和良恶性、注意力机制用于跨模态特征学习、以及组织病理学与皮肤镜图像的特征差异分析。该数据集为开发通用癌症检测系统、研究不同癌症类型的共性与差异性提供了统一的实验基础，有助于推动AI在多癌症早期筛查、辅助诊断以及医学影像分析教育中的应用，在精准肿瘤学和计算病理学领域具有广阔的研究和教育应用前景。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-318
文件大小：6.3G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)