LuminaAI/RCL-Lymphnode-Cancer-Biopsy-100K

该数据集包含淋巴结癌组织的活检图像，分为良性和恶性两类。每个样本存储在一个单独的图像文件中，并按类别组织在相应的文件夹中。数据集的结构设计为与Lumina AI的Random Contrast Learning (RCL)算法兼容，可通过PrismRCL应用程序或API使用。数据集的组织结构包括训练数据和测试数据，每个类别下都有相应的图像文件。所有图像文件名在所有类别文件夹中必须是唯一的。数据集的特征包括每个文件包含一个淋巴结癌组织的活检图像，以及两个类别（良性和恶性），每个类别由一个单独的文件夹表示。

This dataset contains biopsy images of lymphnode cancer tissues, divided into two classes: benign and malignant. Each sample is stored in a separate image file, organized into respective class folders. The dataset is structured to be compatible with Lumina AIs Random Contrast Learning (RCL) algorithm via the PrismRCL application or API. The dataset is organized into training and testing data, with corresponding image files under each category. All image file names must be unique across all class folders. The features of the dataset include each file containing a biopsy image of lymphnode cancer tissue, and two classes (benign and malignant), each represented by a separate folder.

原始信息汇总

Lymphnode Cancer Biopsy Dataset (100k)

概述

该数据集包含淋巴结癌组织的活检图像，分为良性（benign）和恶性（malignant）两类。每个样本存储在单独的图像文件中，并按类别组织到相应的文件夹中。数据集结构设计为与Lumina AI的随机对比学习（RCL）算法兼容，可通过PrismRCL应用程序或API使用。

数据集结构

数据集按以下结构组织：

{dataset_folder_name}/ train_data/ benign/ sample_0.png sample_1.png ... malignant/ sample_0.png sample_1.png ... test_data/ benign/ sample_0.png sample_1.png ... malignant/ sample_0.png sample_1.png ...

注意：所有图像文件名在所有类别文件夹中必须是唯一的。

特征

• 图像数据：每个文件包含淋巴结癌组织的活检图像。
• 类别：有两个类别，每个类别根据组织类型（良性或恶性）分别存储在单独的文件夹中。

使用

以下是使用PrismRCL加载数据集的示例：

bash C:PrismRCLPrismRCL.exe chisquared rclticks=10 boxdown=0 data=C:path o{dataset_folder_name} rain_data testdata=C:path o{dataset_folder_name} est_data savemodel=C:path omodelsmymodel.classify log=C:path olog_files stopwhendone

解释：

• C:PrismRCLPrismRCL.exe：分类应用程序
• chisquared：训练评估方法
• rclticks=10：RCL训练参数
• boxdown=0：RCL训练参数
• data=C:path o{dataset_folder_name} rain_data：训练数据路径
• testdata=C:path o{dataset_folder_name} est_data：测试数据路径
• savemodel=C:path omodelsmymodel.classify：保存结果模型的路径
• log=C:path olog_files：日志文件路径
• stopwhendone：训练完成后结束PrismRCL会话

许可证

该数据集根据Creative Commons Attribution 4.0 International License授权。详细信息请参见LICENSE文件。

原始来源

该数据集最初来源于GitHub Repository。如果在研究或应用中使用此数据集，请引用原始来源。

附加信息

数据值已准备好与PrismRCL兼容。自版本2.4.0起，无需进行归一化处理。

引用

如果在研究中使用此数据集，请引用以下论文：

1. Veeling, B. S., Linmans, J., Winkens, J., Cohen, T., & Welling, M. (2018). Rotation Equivariant CNNs for Digital Pathology. arXiv preprint arXiv:1806.03962.

2. Ehteshami Bejnordi, B., Veta, M., Johannes van Diest, P., van Ginneken, B., Karssemeijer, N., Litjens, G., ... & the CAMELYON16 Consortium. (2017). Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA, 318(22), 2199–2210. https://doi.org/10.1001/jama.2017.14585