ahmedesmail16/Test-Augmentation

该数据集包含图像和标签两个主要特征。图像特征的数据类型为图像，标签特征的数据类型为分类标签，具体包括12种不同的类别，如Erythrodermic、Guttate、Inverse、Nail、Normal、Not Define、Palm Soles、Plaque、Psoriatic Arthritis、Pustular、Scalp和UPNormal。数据集分为训练集、验证集和测试集三个部分，分别包含1200、1812和1775个样本。数据集的下载大小为161431497字节，总大小为152324257.343字节。

原始信息汇总

数据集概述

数据集特征

• image：图像数据类型。
• label：类别标签数据类型，包含以下类别：
  • 0: Erythrodermic
  • 1: Guttate
  • 2: Inverse
  • 3: Nail
  • 4: Normal
  • 5: Not Define
  • 6: Palm Soles
  • 7: Plaque
  • 8: Psoriatic Arthritis
  • 9: Pustular
  • 10: Scalp
  • 11: UPNormal

数据集分割

• train：训练集，包含1200个样本，总大小为75404179.4字节。
• validation：验证集，包含1812个样本，总大小为39923712.768字节。
• test：测试集，包含1775个样本，总大小为36996365.175字节。

数据集大小

• 下载大小：161431497字节。
• 数据集总大小：152324257.343字节。

数据文件配置

• config_name: default
• data_files:
  • split: train, path: data/train-*
  • split: validation, path: data/validation-*
  • split: test, path: data/test-*

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，数据增强是提升模型泛化能力的关键技术。该数据集以银屑病（Psoriasis）的多种亚型分类为核心任务，构建了包含12个类别的图像数据集，涵盖Erythrodermic、Guttate、Inverse、Nail、Normal、Not Define、Palm Soles、Plaque、Psoriatic Arthritis、Pustular、Scalp及UPNormal等类别。数据集的构建基于对原始皮肤镜图像的系统性扩充，通过应用多种图像变换技术生成增强样本，最终形成训练集（1200例）、验证集（1812例）和测试集（1775例）三个子集，总计4787张图像，数据规模约152 MB。

特点

该数据集的核心特点在于其类别覆盖的全面性与数据分布的均衡性。不仅包含了常见的斑块型（Plaque）和点滴型（Guttate）银屑病，还涵盖了指甲型（Nail）、掌跖型（Palm Soles）及关节病型（Psoriatic Arthritis）等罕见亚型，同时引入正常皮肤（Normal）和未定义（Not Define）类别以增强模型对边界样本的判别能力。此外，数据集中验证集和测试集的样本量均超过训练集，这种反常规的划分策略旨在强化模型在未见数据上的鲁棒性评估，为皮肤科辅助诊断系统的可靠性验证提供了坚实支撑。

使用方法

使用该数据集时，可通过HuggingFace Datasets库的load_dataset函数直接加载，指定配置名为'default'即可自动获取训练、验证和测试三个分片。数据以图像-标签对的形式存储，其中图像字段为PIL Image对象，标签为整数编码的类别索引。开发者可基于PyTorch或TensorFlow框架构建分类模型，利用数据集的预划分结构进行标准的训练-验证-测试流程。建议在训练时结合随机裁剪、色彩抖动等在线增强策略，以进一步挖掘数据增强的潜力，实现银屑病亚型的高精度自动识别。

背景与挑战

背景概述

银屑病是一种慢性、复发性、炎症性皮肤病，其临床表现多样，包括红斑、鳞屑、斑块等多种亚型，全球患病率约为2-3%。准确识别不同银屑病亚型对于制定个性化治疗方案、评估疾病预后以及开展临床研究至关重要。在此背景下，由研究者ahmedesmail16等人于近期构建的Test-Augmentation数据集应运而生。该数据集专注于银屑病图像分类任务，包含12个细粒度类别，如红皮病型、滴状型、反向型、甲银屑病、斑块型、脓疱型等，并纳入了正常皮肤与未定义类别以增强模型鲁棒性。数据集共涵盖4787张标注图像，划分为训练、验证和测试集，为深度学习模型在银屑病亚型自动识别领域的研究提供了标准化的基准资源，有望推动皮肤病影像诊断的智能化进程。

当前挑战

该数据集所解决的领域问题在于银屑病亚型分类的复杂性：不同亚型之间在形态学上存在高度相似性，例如斑块型与红皮病型可能均表现为红斑脱屑，而滴状型与脓疱型则可能混淆，这要求模型具备极细粒度的特征判别能力。此外，数据集中各类别样本分布不均（如Normal与Not Define类别样本量有限），进一步加剧了类别不平衡带来的训练难度。在构建过程中，挑战主要源自于医学图像标注的专业性——银屑病亚型的诊断依赖于皮肤科医生的临床经验与病理知识，确保标注的一致性与准确性需要多人交叉验证和严格的质控流程。同时，数据集的图像来源可能涉及不同拍摄设备、光照条件和患者肤色差异，这些图像采集的异质性增加了模型泛化能力的考验。

常用场景

经典使用场景

在医学影像分析领域，银屑病作为一种慢性、复发性炎症性皮肤病，其亚型繁多且临床表现复杂，精准分类对于临床诊断与治疗方案制定至关重要。该数据集汇集了涵盖Erythrodermic、Guttate、Inverse等11种银屑病亚型及正常皮肤的皮肤镜图像，共计近4800张样本，为构建基于深度学习的银屑病亚型分类模型提供了标准化的训练与评估基准。研究者可借助此数据集训练卷积神经网络或视觉Transformer，实现对不同病变模式的自动识别与判别，从而推动皮肤病智能诊断系统的性能提升。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括利用生成对抗网络进行银屑病图像增强以缓解类别不平衡问题，以及基于注意力机制的细粒度分类网络用于区分视觉相似的亚型（如Plaque与Pustular）。部分研究还探索了自监督预训练范式，通过大规模无标注皮肤图像预训练再在此数据集上微调，显著提升了小样本亚型的识别精度。此外，该数据集常作为基准被用于对比不同数据增强策略（如混合增强、自动增强）在皮肤病分类任务中的泛化性能，推动了医学图像分析领域的方法论创新。

数据集最近研究

最新研究方向

银屑病（Psoriasis）作为一种慢性、复发性炎症性皮肤病，其精准诊断与分型长期依赖于临床经验，而近年来深度学习技术的介入正为这一领域带来革命性变革。Test-Augmentation数据集聚焦于银屑病的多亚型分类，涵盖红皮病型、点滴状、反向型、甲银屑病、斑块状、脓疱型等12个关键类别，其中包含‘正常’与‘未定义’样本以应对临床边界模糊的挑战。当前前沿研究方向集中于利用数据增强技术（如对抗生成网络与几何变换）来扩充小样本亚型（如脓疱型）的训练规模，并结合注意力机制与多模态融合（如皮肤镜图像与患者病史）提升模型对罕见亚型的敏感度。该数据集的出现不仅推动了银屑病自动化分型从粗粒度迈向细粒度，更与皮肤病远程诊疗、个性化治疗方案推荐等热点事件紧密相连，为构建公平、鲁棒的临床辅助诊断系统奠定了数据基石，其意义在于降低对专家经验的依赖，加速基层医疗的精准化进程。