unair-dicom-data

该数据集是一个医学影像数据集，专门用于医学图像分析任务。数据集包含10,840个训练样本，总大小约为1.69GB。每个样本包含丰富的医学影像元数据和诊断标签，具体包含以下12个字段：唯一标识符(id)、诊断结果(diagnosis)、医学图像数据(image)、病例标识(case_id)、序列标识(series_id)、扫描相位(phase)、切片索引(slice_idx)、切片总数(num_slices)、图像行数(rows)、图像列数(columns)、切片厚度(slice_thickness)和像素间距(pixel_spacing)。数据集的图像数据以图像格式存储，其他字段包含字符串、整数和浮点数类型。该数据集适用于医学图像分类、疾病诊断辅助、医学影像分析等任务，特别适合用于训练和评估基于医学影像的机器学习模型。

This dataset is a medical imaging dataset specifically designed for medical image analysis tasks. It contains 10,840 training samples with a total size of approximately 1.69GB. Each sample includes rich medical imaging metadata and diagnostic labels, covering the following 12 fields: unique identifier (id), diagnosis result (diagnosis), medical image data (image), case identifier (case_id), series identifier (series_id), scanning phase (phase), slice index (slice_idx), total number of slices (num_slices), number of image rows (rows), number of image columns (columns), slice thickness (slice_thickness), and pixel spacing (pixel_spacing). The image data in the dataset is stored in image format, while other fields contain string, integer, and floating-point data types. This dataset is suitable for tasks such as medical image classification, disease diagnosis assistance, and medical image analysis, and is particularly well-suited for training and evaluating machine learning models based on medical imaging.

原始信息汇总

• 数据集名称：unair-dicom-data
• 数据集地址：https://huggingface.co/datasets/ryfkn/unair-dicom-data
• 数据集描述：未提供具体描述信息，仅包含数据集结构和文件配置。
• 主要特征：
  • id（字符串）：样本标识符。
  • diagnosis（字符串）：诊断结果。
  • image（图像类型）：医学影像数据。
  • case_id（字符串）：病例标识符。
  • series_id（字符串）：影像序列标识符。
  • phase（字符串）：影像采集期相。
  • slice_idx（整数）：切片索引。
  • num_slices（整数）：总切片数量。
  • rows（整数）：图像行数。
  • columns（整数）：图像列数。
  • slice_thickness（浮点数）：切片厚度。
  • pixel_spacing（字符串）：像素间距。
• 数据划分：仅包含训练集（train），共10840个样本。
• 训练集大小：约1693.64 MB（1,693,635,967.44字节）。
• 下载大小：约2049.96 MB（2,049,963,518字节）。
• 配置文件：默认配置（config_name: default），训练数据文件路径为data/train-*。

搜集汇总

数据集介绍

构建方式

该数据集源自医学影像领域，专为胸部X光片的深度学习研究而设计。构建过程中，从医学影像存档与通信系统中采集了原始DICOM格式数据，经过严格的匿名化处理以保护患者隐私。随后，对每一幅图像进行专业标注，包括唯一的标识符、病例编号、序列编号、成像相位及诊断标签。为确保数据质量，还记录了切片索引、总切片数、图像尺寸、切片厚度和像素间距等关键元数据，最终将全部10840个样本整合为统一的训练集。

特点

该数据集的核心特色在于其丰富的元数据与结构化设计。除了常规的医学影像和诊断标签外，还提供了病例、序列、相位等多层次标识，支持纵向和跨模态分析。像素间距与切片厚度的精确记录，使得图像的空间分辨率信息得以保留，为需要精确测量的研究提供了可能。约1.6GB的规模兼顾了模型训练的多样性与数据加载的效率，是医学图像分析领域的一个实用资源。

使用方法

数据集以HuggingFace Datasets库的标准格式存储，可通过简单的API调用直接加载。用户获取数据后，可直接利用'image'字段进行视觉特征提取，结合'diagnosis'字段开展分类或异常检测任务。丰富的元数据字段如'pixel_spacing'与'slice_thickness'，能在预处理阶段轻松实现图像的物理空间归一化。建议将整个训练集用于模型训练，或根据'case_id'划分子集以进行患者级别的独立验证，确保评估的严谨性。

背景与挑战

背景概述

医学影像在疾病诊断中扮演着至关重要的角色，其中计算机断层扫描（CT）影像因其高分辨率和三维成像能力，成为临床诊疗不可或缺的工具。unair-dicom-data数据集应运而生，由印度尼西亚艾尔朗加大学（Universitas Airlangga）的研究人员构建，旨在推动基于深度学习的肺部及纵隔疾病诊断研究。该数据集于2023年创建，核心研究问题是利用CT影像数据训练模型以区分正常、肺部感染及其他病变，从而辅助临床决策。数据集包含超过一万张DICOM格式的CT切片，覆盖多种病例和扫描相位，为医学图像分析领域提供了高质量的基准资源。其发布极大地促进了印尼乃至全球范围内医学影像AI研究的进展，尤其在资源有限的医疗环境中具有显著的实践价值。

当前挑战

该数据集面临的挑战首先体现在解决医学图像分类的领域难题上：CT影像中病变区域与正常组织的边界模糊、病灶形态多样且分布不均，使得模型需具备极强的特征提取与泛化能力。此外，构建过程中遭遇多重困难：DICOM格式的原始数据包含海量元信息，如何统一处理不同设备厂商的扫描参数（如像素间距、切片厚度）并确保数据一致性成为技术瓶颈；数据集标注依赖于放射科专家的人工判读，耗时且易受主观差异影响；同时，样本分布不均衡——某些病例的切片数量远少于正常样本，可能导致模型产生偏差。这些挑战要求未来的研究在数据增强、跨域迁移学习及半监督标注策略上寻求突破。

常用场景

经典使用场景

在医学影像分析领域，unair-dicom-dataset凭借其规范的DICOM格式与丰富的元数据信息，成为训练深度学习模型进行多模态疾病诊断的经典基准。该数据集中包含患者标识、诊断标签、影像序列参数及空间维度信息，使得研究者可以轻松构建用于图像分类、语义分割或目标检测任务的训练管线。特别是其提供的相位信息与切片索引，为探索时间序列影像分析提供了天然的结构化基础，极大地便利了从二维平面到三维空间特征的建模尝试。

解决学术问题

该数据集核心解决了医学影像研究中长期面临的标注数据匮乏与元数据不完整问题。通过提供统一标识串联的病例-序列-切片三层架构，研究者得以深入探究影像参数（如层厚、像素间距）对诊断模型泛化能力的影响机制，从而推动轻量化、鲁棒性更强的模型设计。其完备的DICOM信息亦为跨中心数据标准化研究提供了理想载体，有效促进了可解释性分析中影像采集设备差异与诊断结果关联性的定量化研究。

衍生相关工作

基于unair-dicom-dataset衍生的相关工作涵盖多个前沿方向：研究者开发了针对不完整DICOM元数据的缺失值插补算法，显著提升了多中心数据融合的稳定性；部分工作则聚焦于利用其切片厚度与空间分辨率信息构建自适应感受野网络，从而改善小病灶的检测性能。此外，该数据集的序列标签属性催生了多种时序影像对比学习方法，为动态变化病灶的进展预测开辟了新范式，并推动了影像组学特征直接与诊断标签关联的可解释模型家族发展。