rsna-medcial-imaging-subsets

该数据集是一个精心策划的医学影像集合，包含超过58,666张8位PNG/JPEG格式的图像，源自多个医学影像竞赛和公共数据集。所有图像均已应用临床相关的窗宽窗位调整，并保留了原始标注信息。数据集包含五个独立的子集：1) 颅内出血CT图像（33,825张，512×512像素），包含多标签分类（6个出血类型）；2) 腰椎MRI T2加权图像（24,546张，320×320/512×512像素），包含病情严重程度分级标签；3) 乳腺癌钼靶图像（295张，最长边不超过1024像素），包含二元癌症分类标签；4) SIIM-COVID19胸片图像（376张，DICOM转换而来），包含4类肺炎分类和混浊检测标签；5) Chaoyang结肠组织病理学图像（6,160张JPG，512×512像素），包含异常/正常二元分类标签。数据集适用于多种医学影像分析任务，包括疾病检测、分类、分割和计算机辅助诊断。预处理包括模态特定的窗宽窗位调整、尺寸标准化和格式转换，确保了数据的一致性和可用性。数据来源受相应竞赛条款和学术使用许可约束。This dataset is a carefully curated collection of medical images, containing over 58,666 8-bit PNG/JPEG format images, sourced from multiple medical imaging competitions and public datasets. All images have been adjusted with clinically relevant window width and window level settings, and original annotation information is preserved. The dataset includes five independent subsets: 1) Intracranial hemorrhage CT images (33,825 images, 512×512 pixels), with multi-label classification (6 hemorrhage types); 2) Lumbar spine MRI T2-weighted images (24,546 images, 320×320/512×512 pixels), with disease severity grading labels; 3) Breast cancer mammogram images (295 images, longest side not exceeding 1024 pixels), with binary cancer classification labels; 4) SIIM-COVID19 chest X-ray images (376 images, converted from DICOM), with 4-class pneumonia classification and opacity detection labels; 5) Chaoyang colon histopathology images (6,160 JPG images, 512×512 pixels), with abnormal/normal binary classification labels. The dataset is suitable for various medical imaging analysis tasks, including disease detection, classification, segmentation, and computer-aided diagnosis. Preprocessing includes modality-specific window width and window level adjustments, size standardization, and format conversion, ensuring data consistency and usability. Data sources are subject to corresponding competition terms and academic use licenses.

原始信息汇总

数据集概览

Medical Imaging Subsets (8-bit PNG/JPEG) 是一个精选的医学影像数据集集合，包含 58,666+ 张 PNG/JPEG 图像，均来自医学影像竞赛和公共数据集，已应用窗宽窗位调整并保留原始标签。

数据集子集详情

子集名称	影像模态	图像数量	图像尺寸	数据大小	标签类型
颅内出血 (Intracranial Hemorrhage)	CT 脑部	33,825 张	512×512	1.2 GB	多标签 (6 列)
腰椎 (Lumbar Spine)	MRI T2	24,546 张	320×320 / 512×512	2.3 GB	条件级别严重程度 (48.7K 行)
乳腺癌 (Breast Cancer)	乳腺X线摄影	295 张	最大 1024px	53 MB	二分类 (癌症/非癌症)
SIIM-COVID19	胸部X光 (DICOM→PNG)	376 张	-	546 MB	4 分类 (肺炎 + 毛玻璃影)
朝阳结肠 (Chaoyang Colon)	组织病理学 (H&E 切片)	6,160 张 JPG	512×512	~530 MB	二分类 (异常/正常)

新增子集说明

• SIIM-COVID19：来自 SIIM-FISABIO-RSNA COVID-19 Detection 竞赛的胸部X光片。标签包括：肺炎阴性、典型、不确定、非典型表现以及毛玻璃影存在性。
• 朝阳结肠：来自北京朝阳医院的 512×512 结肠组织病理学切片 (论文链接)。训练集组成：1,111 张正常、842 张锯齿状、1,404 张腺癌、664 张腺瘤。

使用方式

python import zipfile from huggingface_hub import hf_hub_download

从Hugging Face下载

https://huggingface.co/datasets/toufiqmusah/rsna-medcial-imaging-subsets

解压某个子集

with zipfile.ZipFile("intracranial_hemorrhage.zip") as z: z.extractall("intracranial_hemorrhage/")

每个 ZIP 压缩包包含：

• images/ 目录：8位 PNG 文件 (朝阳结肠子集为 JPG)
• labels.csv 文件：标注信息

预处理说明

• 窗宽窗位调整：CT 脑窗用于颅内出血；线性重缩放用于腰椎 MRI；乳腺摄影窗用于乳腺癌；肺窗用于胸部X光。
• 尺寸调整：乳腺X线摄影 (4096×3328) 调整为每边最大 1024px (使用 LANCZOS 插值)。
• 格式转换：DICOM 衍生子集转换为 8位 PNG；组织病理学切片保留 JPEG 格式。
• 分层采样：在适用情况下，子集采样保留原始类别分布。

许可证信息

• RSNA 子集：源自 RSNA 竞赛数据集，遵守 RSNA AI Challenge 条款。
• SIIM-COVID19：源自 SIIM-FISABIO-RSNA 竞赛，遵守 Kaggle 竞赛规则。
• 朝阳结肠：免费提供用于非商业学术研究，详情见 HSA-NRL。

搜集汇总

数据集介绍

构建方式

该数据集源自多个权威医学影像竞赛与公开资源，经过系统性的筛选与预处理而成。共收录58,666余张8位PNG或JPEG格式图像，涵盖计算机断层扫描（CT）、磁共振成像（MRI T2）、乳腺X线摄影、胸部X光及组织病理学等模态。每一子集均施加了针对性的窗宽窗位调整，如颅脑CT采用脑组织窗，胸部X光应用肺窗，并在必要时进行线性重采样与尺寸归一化（乳腺图像最长边缩至1024像素）。最终以ZIP压缩包形式存储，内部按图像文件和标签CSV分层组织，部分子集保留了原始竞赛中的多标签或严重程度分级标注，构建过程兼顾规模、模态多样性与临床可解释性。

特点

该数据集最显著的特点在于其跨模态整合与标准化处理。它将原本分散于不同竞赛（RSNA颅内出血、腰椎MRI、乳腺癌、SIIM-COVID19及朝阳医院结肠病理）中的影像整合为统一格式，所有图像均转换为8位深度，大幅降低了存储与加载开销。各子集保持了原有的标注结构：如颅内出血包含六个多标签列，腰椎数据提供部位-级别-严重程度三级信息，COVID19子集涵盖四类肺炎表型与毛玻璃影判别。此外，病理图像（结肠组织）提供了正常、锯齿状、腺癌与腺瘤的细分分类，丰富了数据集的科研适用场景。

使用方法

用户可通过Hugging Face Hub直接下载所需子集的ZIP文件，例如利用`hf_hub_download`函数获取颅内出血数据包，再以`zipfile`解压至本地目录。每个解压后的子集均包含`images/`文件夹与`labels.csv`标注文件，前者存储8位PNG（结肠病理为JPEG）图像，后者记录对应标注信息。用户可按需选择特定模态（如CT或X光）进行模型训练、迁移学习或特征分析，亦可跨子集联合使用以构建多模态诊疗模型。注意各子集受原始竞赛许可约束，商业用途需遵循RSNA、Kaggle及朝阳医院的相关条款。

背景与挑战

背景概述

医学影像人工智能领域的发展高度依赖于高质量、标准化且带有精确标注的数据集。在此背景下，RSNA Medical Imaging Subsets数据集应运而生，由研究人员Toufiq Musah等人于近期通过整合美国放射学会（RSNA）及Kaggle等平台上的公开竞赛数据精心构建而成。该数据集的核心研究问题在于提供一个跨模态、多样化的医学影像集合，涵盖头部CT、腰椎MRI、乳腺X线、胸部X光及组织病理学切片等亚专科，旨在为颅内出血检测、脊柱病变分级、乳腺癌诊断、COVID-19肺炎识别及结肠癌分类等关键临床任务提供统一的训练与评估基准。凭借其整合了超过58,000张经窗宽窗位调整的8位PNG/JPEG图像，该数据集显著降低了研究者获取多源高质量医学影像的门槛，对推动医学影像分析模型的泛化性与临床应用具有重要影响力。

当前挑战

该数据集所应对的领域挑战在于医学影像来源多样、格式与标注标准不一，严重阻碍了模型的可复现性与跨任务泛化能力。例如，颅内出血检测需处理CT影像中细微的高密度影，COVID-19识别对X光片的窗宽窗位敏感，而组织病理学旋转不变性同样是难点；各子任务间模态差异巨大，使得单一模型难以兼顾。在构建过程中，主要挑战包括：1）对原始DICOM及高分辨率影像（如乳腺X线4096×3328像素）进行降采样与窗口化预处理，需确保不丢失关键诊断信息；2）整合来自不同竞赛的异构标注体系（如多标签、分级与二分类），并保持各类别的分布均衡；3）处理大量原始数据（如腰椎MRI达2.3GB）的存储与格式统一，同时遵守RSNA、Kaggle等平台的使用条款与学术许可限制。

常用场景

经典使用场景

该数据集汇聚了来自多个医学影像竞赛与公开数据集的五万八千余幅影像，涵盖CT脑部、腰椎MRI、乳腺X线、胸部X光及结肠组织病理等模态，每幅图像均已完成窗宽窗位调整并统一为8位PNG/JPEG格式。研究者可直接将其用于多模态医学影像分类任务的基准测试，例如在颅内出血检测中利用33,825幅CT图像进行多标签分类，或在乳腺癌筛查场景中基于295幅乳腺X线图像构建二元判别模型。数据集的标准化预处理流程有效降低了因成像参数差异引入的噪声，使得模型性能评估更具可比性与可复现性。

解决学术问题

在医学影像分析领域，数据异质性与标注不统一长期困扰着跨模态研究。该数据集通过系统性整合五类成像模态，解决了单一来源数据难以支撑泛化性验证的困境。例如，其提供的腰椎MRI条件等级严重度标注（48.7K行）为脊柱退行性病变的细粒度诊断提供了扎实的监督信号；而结肠组织病理切片中的腺癌与锯齿状病变二元标注，则填补了消化道肿瘤早期筛查中公开数据集的空白。这些精心设计的子集使得研究者能够系统性地探讨跨模态特征迁移、类不平衡学习及多任务联合优化等学术命题，推动了医学影像智能分析从单任务走向多模态融合的范式演进。

衍生相关工作

该数据集衍生出的经典工作深刻影响了医学影像领域的研究方向。在颅内出血检测方面，基于其CT子集的深度网络先后催生了RSNA 2019竞赛冠军架构的改进版本，推动了注意力机制在密集出血区域定位中的应用。Chaoyang结肠病理子集则支撑了HSA-NRL等弱监督学习框架的验证，该工作发表在IEEE TMI上，开创了利用图神经网络建模组织空间拓扑关系的先河。此外，SIIM-COVID19子集与后续的FISABIO竞赛成果相结合，促进了多机构联合训练联邦学习框架的评估基准建立。这些衍生工作不仅验证了数据集的学术价值，更通过开源代码与模型权重形成了持续扩散的技术生态。