Multimodal Breast Ultrasound Dataset

我们收集了一种多模态超声图像数据集，用于乳腺癌的分类，包括145个良性病例和103个恶性病例。

We have collected a multimodal ultrasound imaging dataset for breast cancer classification, which includes 145 benign cases and 103 malignant cases.

原始信息汇总

TDF-Net 数据集概述

数据集简介

TDF-Net 是论文 "TDF-Net: Trusted Dynamic Feature Fusion Network for Breast Cancer Diagnosis using Incomplete Multimodal Ultrasound" 的官方实现仓库。该论文由 Pengfei Yan, Wushuang Gong, Minglei Li, Jiusi Zhang, Xiang Li, Yuchen Jiang, Hao Luo, 和 Hang Zhou 合作完成。

数据集信息

• 数据集名称：Multimodal Breast Ultrasound Dataset
• 数据集类型：多模态超声图像数据集
• 数据集用途：用于乳腺癌分类
• 数据集内容：包括 145 个良性病例和 103 个恶性病例
• 使用限制：仅限非商业研究或教育用途
• 数据集链接：Kaggle 数据集页面

数据集结构

code_root/ └── 001/ ├── BUS_1.jpg ├── DUS_1.jpg └── EUS_1.jpg

使用说明

• 环境要求：
  • Linux, CUDA>=11.3, GCC>=7.5.0
  • Python>=3.8
  • PyTorch>=1.11.0, torchvision>=0.12.0
  • 其他依赖：通过执行 pip install -r requirements.txt 安装
• 数据准备：按照上述数据集结构组织数据
• 训练：使用 python model_train.py 开始训练，可在配置文件中调整设置
• 评估：训练完成后，使用 python model_valid.py 在验证集上评估模型性能

注意事项

本仓库的代码基于 TimesXY/TDF_Net 构建而成。

搜集汇总

数据集介绍

构建方式

Multimodal Breast Ultrasound Dataset的构建，旨在为乳腺癌分类研究提供多模态超声图像。该数据集的构建涉及收集并整理了145个良性病例和103个恶性病例的超声图像，涵盖了不同视角和不完整的超声图像信息，为深度学习模型提供了丰富的训练和测试材料。

使用方法

使用该数据集时，用户需按照指定格式组织数据，并配置相应的环境，包括Linux操作系统、CUDA、GCC、Python版本以及PyTorch等依赖库。训练TDF-Net模型时，用户可通过修改model_train.py中的配置进行自定义训练。模型训练完成后，使用model_valid.py进行验证集上的评估。

背景与挑战

背景概述

Multimodal Breast Ultrasound Dataset的构建，旨在为乳腺癌诊断的研究提供支持。该数据集的创建可追溯至2024年，由Pengfei Yan、Wushuang Gong等研究人员共同完成。该数据集涵盖了145个良性病例和103个恶性病例的多模态超声图像，其研究成果已发表在《Information Fusion》期刊。该数据集的问世，为乳腺癌的早期诊断与治疗研究提供了宝贵的资源，对相关领域的发展具有重要的推动作用。

当前挑战

该数据集在构建过程中所面临的挑战主要体现在两个方面：一是领域问题，即如何利用不完整的多模态超声图像进行可靠的乳腺癌诊断；二是数据集构建过程中的挑战，包括数据收集、标注以及确保数据质量等方面。在领域问题上，数据集需解决如何融合不同模态的图像特征，以提升诊断的准确性和可靠性。在构建过程中，确保数据集的质量和多样性，以及合理地组织和标注数据，都是需要克服的重要挑战。

常用场景

经典使用场景

在医学图像分析领域，Multimodal Breast Ultrasound Dataset作为一种多模态超声图像数据集，其经典使用场景在于辅助乳腺癌的诊断。该数据集包含了良性和恶性病例的超声图像，为深度学习模型提供了丰富的训练和验证材料，使得模型能够有效地区分和识别乳腺肿瘤的性质。

解决学术问题

该数据集解决了传统乳腺癌诊断方法中主观性较强、误诊率较高等问题。通过提供标准化的多模态超声图像数据，它极大地促进了计算机辅助诊断系统的研究与发展，有助于降低诊断误差，提高诊断效率，对于提升乳腺癌早期发现与治疗具有显著意义。

实际应用

在实际应用中，基于该数据集开发的诊断系统有望被应用于临床，辅助医生进行快速准确的乳腺癌诊断。这种技术的应用将有助于优化医疗资源配置，提高医疗服务质量，尤其是在医疗资源相对匮乏的地区。

数据集最近研究

最新研究方向

在乳腺癌诊断领域，研究者们致力于开发高效的特征融合网络以提升诊断准确性。Multimodal Breast Ultrasound Dataset的构建旨在推进此类研究，该数据集包含良性及恶性病例的多模态超声图像，为深度学习模型的训练提供了宝贵的资源。近期研究聚焦于TDF-Net模型，该模型通过动态特征融合网络，在利用不完整多模态超声图像进行乳腺癌诊断方面取得了显著成果，其创新之处在于提高了对不完整数据的学习与利用效率，对于优化乳腺癌诊断流程、提高诊断精确度具有重要的实践意义。