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

搜集汇总

数据集介绍

构建方式

该数据集专注于淋巴结癌组织的活检图像，旨在为病理学中的良恶性分类任务提供支持。在构建过程中，数据集严格遵循二元分类结构，将样本划分为良性（benign）与恶性（malignant）两个类别。所有图像文件均以独立PNG格式存储，并按照训练集与测试集分别组织于对应的类别文件夹中，确保文件命名全局唯一以避免冲突。数据来源基于公开的PCam数据集，并经过预处理以兼容Lumina AI的随机对比学习（RCL）算法，无需额外归一化即可直接用于PrismRCL应用。

特点

数据集的核心特点在于其简洁而高效的二元分类设计，专为淋巴结癌组织的病理图像分析而优化。包含约10万张高分辨率活检图像，覆盖良性与恶性样本，为深度学习模型提供了充足的训练素材。其文件结构清晰，按类别和数据集划分，便于快速加载与实验。此外，数据集与PrismRCL工具的深度整合使其能够直接应用于随机对比学习算法，无需用户进行额外数据转换或预处理，显著降低了使用门槛。

使用方法

使用该数据集时，用户可通过PrismRCL命令行工具直接调用。典型操作包括指定卡方检验作为训练评估方法，设置RCL迭代次数（如10次）及测试集比例（如10%）。数据集路径需指向根文件夹，模型训练后会自动保存至指定路径，日志文件也将同步生成。该流程完全自动化，训练完成后会话即终止，适合批量实验与模型迭代。用户亦可自行编写脚本加载图像数据，利用标准深度学习框架进行自定义训练。

背景与挑战

背景概述

在计算病理学领域，淋巴结活检图像的自动化分析对于癌症诊断具有深远意义。LuminaAI/RCL-Lymphnode-Cancer-Biopsy-100K数据集由Lumina AI团队整理发布，其核心研究问题聚焦于利用随机对比学习算法高效区分淋巴结组织的良性与恶性病变。该数据集基于CAMELYON16挑战赛的原始病理切片数据，经Bastiaan Veeling等人于2018年进一步规范化处理，旨在推动数字病理学中旋转等变卷积神经网络的发展。通过提供十万张标准化活检图像样本，该数据集为医学图像分析社区提供了评估和优化弱监督学习算法的基准，尤其为计算资源有限的机构探索低成本诊断方案开辟了新路径。

当前挑战

该数据集面临的核心挑战在于肿瘤异质性导致的分类边界模糊性，恶性病变常呈现与良性组织高度相似的结构特征，传统监督学习方法易受噪声标签干扰。构建过程中，原始全切片图像需经历复杂的组织区域分割、图像块采样及染色归一化流程，不同实验室的染色协议差异可能引入系统性偏差。此外，为适配PrismRCL框架而进行的像素值预处理虽简化了归一化步骤，却可能损失部分组织微环境的关键纹理信息。数据集的二分类设计虽降低了入门门槛，但忽略了淋巴结转移中微转移灶与孤立肿瘤细胞的细粒度区分，限制了其在临床分级诊断中的直接应用潜力。

常用场景

经典使用场景

在数字病理学与医学影像分析领域，Lymphnode Cancer Biopsy Dataset (100k) 被广泛用于淋巴结癌组织活检图像的良恶性分类任务。该数据集包含十万张标注清晰的病理切片图像，分为良性（benign）与恶性（malignant）两个类别，为深度学习模型在组织病理学中的训练与评估提供了大规模、标准化的数据基石。研究者常借助该数据集验证卷积神经网络（CNN）及其变体在癌症诊断中的泛化能力，尤其是结合随机对比学习（RCL）算法进行特征提取与分类，从而推动弱监督与半监督学习在医学影像分析中的发展。

实际应用

在实际临床应用中，该数据集训练的模型可嵌入数字病理辅助诊断系统，帮助病理科医生快速筛查淋巴结活检切片中的癌变区域，实现从全切片图像到良恶性判别的自动化流程。例如，在乳腺癌淋巴结转移检测中，模型可优先标记高概率恶性样本，减少医生逐帧阅片的工作量，提升诊断效率与一致性。此外，该数据集还支持远程病理学平台，使基层医疗机构能够借助云端AI服务获得专家级诊断建议，缓解医疗资源分布不均的问题。其与PrismRCL工具的兼容性进一步降低了算法部署的门槛，便于在临床环境中快速落地。

衍生相关工作

该数据集衍生了一系列经典研究工作，其中最著名的是Veeling等人提出的旋转等变卷积神经网络（Rotation Equivariant CNNs），该工作利用数据集的几何对称性设计网络架构，显著提升了病理图像分类的旋转不变性。此外，CAMELYON16挑战赛中的多项获奖算法也以此数据集为重要基准，推动了全切片图像分析中的注意力机制与多实例学习（MIL）方法的发展。近年来，基于该数据集的随机对比学习框架（RCL）被拓展至其他医学影像任务，如皮肤病变分类与结肠癌分级，证明了其在组织病理学中的广泛适用性。这些工作共同加速了人工智能在精准医疗中的技术迭代。