opencampus/chest-xray-pneumonia-3class-balanced

这是一个用于胸部X光肺炎检测的3类平衡数据集，专为opencampus应用机器学习第6周作业准备。数据集包含三个类别：正常（NORMAL）、细菌性肺炎（BACTERIAL_PNEUMONIA）和病毒性肺炎（VIRAL_PNEUMONIA）。数据组织为训练集（train）、验证集（val）和未见测试集（unseen）。该数据集源自Kaggle的胸部X光图像（肺炎）数据集（Kermany等人，Mendeley DOI 10.17632/rscbjbr9sj.3），并经过预处理以平衡类别分布。

This is a 3-class balanced dataset for chest X-ray pneumonia detection, prepared for the opencampus applied ML Week 6 assignment. The dataset includes three classes: NORMAL, BACTERIAL_PNEUMONIA, and VIRAL_PNEUMONIA. It is organized into train, validation, and unseen test sets. Derived from the Chest X-Ray Images (Pneumonia) dataset on Kaggle (Kermany et al., Mendeley DOI 10.17632/rscbjbr9sj.3), it has been preprocessed to achieve class balance.

搜集汇总

数据集介绍

构建方式

该数据集源自Kermany等人发布的Chest X-Ray Images (Pneumonia)公开资源，针对原始数据中类别分布不均衡的问题，通过精心设计的预处理流程进行平衡化重构。在课程仓库中的prepare_chest_xray_dataset.py脚本指导下，数据集被划分为训练集（train）、验证集（val）以及用于模型泛化能力测试的未见过样本集（unseen）。所有图像均遵循CC-BY-4.0许可协议，确保了非商业场景下的合法使用与分发。

特点

数据集的核心特色在于其平衡的三分类架构，囊括了NORMAL（正常）、BACTERIAL_PNEUMONIA（细菌性肺炎）与VIRAL_PNEUMONIA（病毒性肺炎）三个类别。通过平衡化处理，有效缓解了医学图像分类任务中常见的类别不均衡难题，提高了模型对不同病理类型的判别公平性。数据集规模适中（1K至10K样本量），搭配预先训练好的ResNet-18权重文件，为下游实验提供了便捷的起点。

使用方法

使用方式高度适配Google Colab及Jupyter Notebook环境。用户可下载约1GB的压缩包（chest_xray_prepared.zip）直接解压获取完整目录结构，或从课程材料仓库中获取helper_utils.py辅助脚本以简化数据加载流程。同时提供了预训练的ResNet-18权重（.pth文件），可直接用于模型的微调或快速评估，大幅降低了初学者在医学影像分类任务中的入门门槛。

背景与挑战

背景概述

胸部X光影像作为肺炎诊断的金标准之一，在临床实践中扮演着关键角色。基于此，Kermany等人于2018年发布了Chest X-Ray Images (Pneumonia)数据集，并收录于Mendeley数据库（DOI: 10.17632/rscbjbr9sj.3），为计算机辅助诊断研究提供了重要资源。本数据集为此原始数据集的平衡化三分类变体，由opencampus项目在第六周课程作业中制备，旨在解决医学图像分类中的类别不平衡问题。该数据集包含正常、细菌性肺炎和病毒性肺炎三类，通过精心重采样确保各类样本均衡，从而提升深度学习模型在肺炎鉴别诊断中的公平性与泛化能力，对推动医学影像人工智能在教育与临床研究中的应用具有示范意义。

当前挑战

该数据集所应对的核心领域挑战在于：胸部X光片中肺炎亚型（细菌性与病毒性）的视觉特征高度相似，且原始数据集中正常样本远多于肺炎样本，导致模型易偏向多数类，难以准确区分感染类型。构建过程中面临的困难包括：从Kaggle原始不平衡数据中提取并重采样以达成类别均衡，同时保持训练集与验证集划分的合理性；需避免数据增强引入的伪影或信息丢失，确保每类样本的病理代表性。此外，制备脚本需兼容Google Colab等教育平台，并配套预训练权重以降低学生复现门槛，这对数据管道标准化与存储效率提出了更高要求。

常用场景

经典使用场景

在医学图像分析领域，胸部X光片是诊断肺炎的常用工具，而肺炎作为全球主要传染病死因之一，其快速准确识别对临床决策至关重要。该数据集聚焦于胸部X光片的3分类任务，包含正常、细菌性肺炎和病毒性肺炎三类图像，且经过类别平衡处理，有效规避了真实临床数据中常见的类别不均衡问题。研究者可借助该数据集训练卷积神经网络模型，学习区分不同病理特征的影像学表现，例如细菌性肺炎常表现为局部实变，而病毒性肺炎则多呈现弥漫性间质浸润。其经典使用场景在于为图像分类算法提供标准化基准，尤其在深度学习入门或教学实践中，通过ResNet-18等轻量级架构快速搭建分类流水线，验证迁移学习在医学影像中的有效性。

衍生相关工作

基于该数据集的平衡特质与三分类设计，衍生出一系列前沿研究工作。一方面，研究者探索了注意力机制与特征金字塔网络在细粒度肺炎分类中的表现，发现通道注意力可增强间质性病变的局部响应。另一方面，生成对抗网络被用于合成多样化的胸片影像，以模拟罕见病原体感染模式，进一步扩充数据多样性。在可解释性领域，Grad-CAM热力图被广泛用于可视化模型决策依据，揭示模型是否真正关注肺野病变区域而非背景噪声。此外，对比学习范式被引入无监督预训练阶段，利用大规模未标注胸片增强特征表示能力，随后在该数据集上微调以提升少样本场景下的分类精准度，从而推动医学图像分析向更少标签依赖的方向演进。

数据集最近研究

最新研究方向

当前，胸部X光影像数据集在深度学习驱动的医学影像诊断领域占据核心地位，尤其是肺炎的多分类识别成为研究热点。该数据集对原始ChestX-Ray2017进行了精细划分，构建了包含正常、细菌性与病毒性肺炎的三类平衡样本，显著缓解了类别失衡问题，提升了模型泛化能力。结合迁移学习（如预训练ResNet-18）与数据增强技术，研究者致力于在小型数据集上实现高精度诊断，呼应了人工智能辅助基层医疗的迫切需求。该数据集的推出不仅为肺炎的即时筛查提供了标准化的训练基准，还推动了多分类模型在资源受限环境下的临床落地，其平衡设计对后续研究具有重要参考价值。