39类皮肤病变数据集

该数据集由吉大港工程技术大学和查尔斯特大学的研究团队创建，整合了五个公开可用的数据集，涵盖了39种不同类型的皮肤病变。数据集内容丰富，包含了多种皮肤病变的图像数据，旨在为皮肤病变的分类提供多样化的训练样本。数据集的创建过程包括数据整合、预处理和图像增强等步骤，以提高数据质量和模型的泛化能力。该数据集主要用于深度学习模型的训练和评估，旨在提高皮肤病变分类的准确性和效率，帮助医疗专业人员更快速、准确地诊断多种皮肤病变。

This dataset was developed by a research team from the Chittagong University of Engineering & Technology and Charles Sturt University. It integrates five publicly available datasets covering 39 distinct types of skin lesions. With rich image data of various skin lesions, this dataset aims to provide diverse training samples for skin lesion classification tasks. The dataset construction process includes steps such as data integration, preprocessing, and image enhancement, to improve data quality and the generalization ability of models. This dataset is primarily used for training and evaluating deep learning models, with the goal of enhancing the accuracy and efficiency of skin lesion classification, thereby assisting medical professionals in diagnosing a wide range of skin lesions more rapidly and accurately.

AI搜集汇总

数据集介绍

构建方式

39类皮肤病变数据集的构建基于五个公开可用的数据集，通过整合这些数据集中的图像和标注信息，形成了一个包含39种不同皮肤病变类型的多样化数据集。数据集的构建过程包括数据集的筛选、标准化和平衡处理，以确保每个类别的样本数量相对均衡。具体而言，每个类别的图像数量被限制在130张，以避免数据不平衡问题。此外，数据集还经过了预处理步骤，如图像尺寸调整和归一化，以确保输入数据的统一性。数据集的最终划分比例为70%用于训练，15%用于测试，15%用于验证，确保了模型的泛化能力。

使用方法

该数据集主要用于训练和评估深度学习模型在皮肤病变分类任务中的表现。研究人员可以使用该数据集来训练多种深度学习模型，如MobileNetV2、Xception、InceptionV3、EfficientNetB1和Vision Transformer等，并通过集成注意力机制（如ECA和CBAM）来提升模型的分类性能。数据集的使用方法包括数据加载、预处理、模型训练和性能评估。研究人员可以通过交叉验证、混淆矩阵、ROC曲线等指标来评估模型的准确性、精确度、召回率和F1分数。此外，数据集还可用于研究数据增强技术对模型性能的影响，以及探索多模态数据融合在皮肤病变分类中的应用。

背景与挑战

背景概述

39类皮肤病变数据集由Sauda Adiv Hanuma等人于2025年创建，旨在通过深度学习技术提升皮肤病变的分类精度。该数据集整合了五个公开数据集，涵盖了39种不同类型的皮肤病变，包括良性和恶性病变。皮肤作为人体最大的器官，易受多种病变影响，某些病变可能是皮肤癌等严重疾病的早期征兆。传统的皮肤病变诊断依赖于医生的经验，但由于病变之间的视觉差异微小，误诊率较高。该数据集的创建为皮肤病变的自动分类提供了重要支持，推动了计算机辅助诊断系统的发展。通过引入注意力机制，如Efficient Channel Attention (ECA)和Convolutional Block Attention Module (CBAM)，研究团队进一步提升了模型的分类性能，Vision Transformer结合CBAM的模型在分类任务中达到了93.46%的准确率。

当前挑战

39类皮肤病变数据集在构建和应用过程中面临多重挑战。首先，皮肤病变的视觉特征差异微小，尤其是某些病变在外观上极为相似，如麻风病和传染性软疣，这增加了分类的难度。其次，数据集整合过程中，不同来源的数据在图像分辨率、质量和标注标准上存在显著差异，导致数据预处理和标准化工作复杂且耗时。此外，数据集中某些类别的样本数量较少，存在类别不平衡问题，可能影响模型的泛化能力。尽管通过数据增强技术缓解了这一问题，但仍需进一步扩充数据集的多样性和代表性。最后，尽管深度学习模型在分类任务中表现出色，但其对计算资源的需求较高，限制了其在资源有限环境中的应用。未来研究需探索更高效的模型压缩和优化技术，以提升其在实际医疗场景中的适用性。

常用场景

经典使用场景

39类皮肤病变数据集在皮肤病诊断领域具有广泛的应用，尤其是在基于深度学习的皮肤病变分类任务中。该数据集通过整合五个公开数据集，涵盖了39种不同类型的皮肤病变，为研究者提供了一个多样化的数据基础。其经典使用场景包括训练和评估深度学习模型，如MobileNetV2、Xception、InceptionV3、EfficientNetB1和Vision Transformer等，以提升皮肤病变分类的准确性和鲁棒性。通过引入注意力机制（如ECA和CBAM），该数据集进一步优化了模型的性能，使其在复杂病变分类任务中表现出色。

解决学术问题

39类皮肤病变数据集解决了皮肤病诊断中的多个学术问题。首先，它通过整合多个公开数据集，克服了单一数据集样本不足和类别不平衡的问题，提供了更全面的病变类型覆盖。其次，该数据集通过引入注意力机制，显著提升了深度学习模型在皮肤病变分类中的表现，尤其是在处理视觉差异较小的病变时，能够更精确地捕捉病变特征。此外，该数据集还为研究者提供了一个标准化的评估平台，推动了皮肤病诊断领域的研究进展。

实际应用

在实际应用中，39类皮肤病变数据集为皮肤病诊断提供了强有力的支持。通过训练深度学习模型，该数据集能够帮助医生快速、准确地识别多种皮肤病变，尤其是早期皮肤癌等严重疾病的诊断。其应用场景包括医院皮肤科、远程医疗平台以及移动健康应用，能够显著提高诊断效率，减少误诊率，并为患者提供个性化的治疗方案。此外，该数据集还可用于开发智能诊断工具，辅助医生进行临床决策。

数据集最近研究

最新研究方向

近年来，39类皮肤病变数据集在皮肤病诊断领域的研究方向主要集中在深度学习模型的优化与注意力机制的引入。通过整合多个公开数据集，研究者构建了一个包含39种皮肤病变类别的多样化数据集，并在此基础上评估了多种先进的深度学习模型，如MobileNetV2、Xception、InceptionV3、EfficientNetB1和Vision Transformer。特别值得注意的是，研究者通过引入高效的通道注意力（ECA）和卷积块注意力模块（CBAM），显著提升了模型的分类性能。其中，结合CBAM的Vision Transformer模型表现尤为突出，准确率达到了93.46%，精确率、召回率和F1分数均超过93%。这一成果不仅为皮肤病变的自动化诊断提供了强有力的工具，也为未来在更大规模、更多样化的数据集上进一步优化模型性能奠定了基础。

相关研究论文

• An Attention-Guided Deep Learning Approach for Classifying 39 Skin Lesion Types

  吉大港工程技术大学计算机科学与工程系, 查尔斯特大学计算、数学与工程学院 · 2025年