awesome-skin-image-analysis-datasets

这是一个专门收集用于皮肤图像分析研究的数据集合集，涵盖了多个皮肤疾病图像数据集，如ACNE04、BCN_20000、Asan and Hallym等，并提供了相关链接和简要说明。该合集旨在为研究人员提供资源索引，支持皮肤病诊断和机器学习研究。This is a curated dataset collection specifically designed for skin image analysis research. It covers multiple skin disease image datasets such as ACNE04, BCN_20000, Asan and Hallym, and provides their relevant links and brief descriptions. This collection aims to provide resource indexes for researchers to support dermatological diagnosis and machine learning research.

原始信息汇总

数据集概述

该页面收集了用于皮肤图像分析研究的数据集，共包含40余个数据集。以下按来源和特点分类总结关键信息。

代表性综合数据集

• ISIC Archive：为大型皮肤影像档案馆，旗下包含HAM10000（10,015张）、MSK系列（共3,878张）、SONIC（9,251张）等多个子集。
• Fitzpatrick17k：16,577张临床图像，提供诊断和Fitzpatrick皮肤类型标签。
• Hellenic Derm Atlas：希腊皮肤图谱在线数据集。

公共皮肤图像库

• Atlas Dermatologico、DermAtlas、Dermis、Dermnet、DermWeb、Dermnet NZ、Dermatoweb、Danderm、Dermatologia Praktyczna 等为传统在线皮肤病图谱。
• Meddean：洛约拉大学医学中心皮肤图谱。

临床与科研专用数据集

• BCN_20000：用于ISIC 2019挑战赛，含20,000张图像。
• Diverse Dermatology Images (DDI)：多样化皮肤科图像数据集。
• Derm7pt：提供七点检测标注的皮肤镜图像。
• PH2：葡萄牙皮肤镜图像数据库。
• PAD-UFES-20：来自智能手机的临床皮肤病变图像。
• SKINCON：皮肤科会议数据集。
• SymDerm：包含专家对病变对称性的标注。
• UWaterloo Skin Cancer Detection：来自DermIS和DermQuest的图像，含病变分割。

特定场景数据集

• ACNE04：用于痤疮检测的低分辨率图像数据集（含LDL方法）。
• DermX：525张皮肤病图像，附有三位皮肤科医生的诊断及解释。
• ENHANCE：对ISIC 2017和PH2数据集的ABC准则标注。
• Monkeypox-dataset-2022【Ahsan et al.】 和 Monkeypox Skin Image Dataset 2022【Islam et al.】：猴痘皮肤图像数据集。
• Asan and Hallym：韩国医院皮肤图像缩略图集。
• University of Iowa Clinical Skin Disease Images：爱荷华大学临床皮肤疾病图像。
• XiangyaDerm：中南大学湘雅医院皮肤数据集。

合成与衍生数据集

• DermSynth3D：合成皮肤病变图像数据集。
• Skin3D：3D皮肤图像数据集。
• MedMNIST：含DermaMNIST子集，为皮肤疾病MNIST格式数据集。

其他来源

• DermQuest、Dermofit、MoleMap、MSK、Passionderm、SD198、Skin Cancer Detection 等数据集分布在各自官方网站或学术存储库中。

所有数据集链接均为公开可访问地址，详见原页面表格。

搜集汇总

数据集介绍

构建方式

该数据集由研究者系统性地搜集并整理了全球范围内用于皮肤图像分析的公开数据集，涵盖临床摄影、皮肤镜图像及三维皮肤模型等多种模态。构建过程中，团队参考了多篇领域综述论文，并持续通过社区贡献（如GitHub Issues）扩展数据集列表。每个条目均附有原始链接和简要说明，部分数据集还标注了其来源（如ISIC挑战赛子集）或特殊属性（如专家标注的对称性评分）。

特点

数据集收录了超过40个高质量皮肤图像资源，覆盖从常见皮肤病（如痤疮、黑色素瘤）到罕见病种（如猴痘）的广泛诊断范围。其独特性在于整合了多种标注类型，包括诊断标签、Fitzpatrick皮肤分型、ABC规则特征及三维合成数据，并包含跨肤色（如Fitzpatrick17k）和跨设备（如智能手机拍摄的PAD-UFES-20）的多样性样本。此外，该集合还纳入了专家与众包标注的增强数据集（如ENHANCE），为算法鲁棒性研究提供支撑。

使用方法

用户可通过表格中的直接链接访问每个子数据集的原始来源，部分数据集需通过学术申请（如Dermofit）或遵循特定许可协议获取。对于集成使用，建议优先采用ISIC Archive等综合平台（内含HAM10000、MSK系列等子集）。开发者可参考配套综述论文了解数据集的典型应用场景，并利用GitHub仓库的Issue功能提交新资源或反馈问题。部分数据集（如DermSynth3D）还提供了代码库，便于生成合成训练数据。

背景与挑战

背景概述

皮肤图像分析是计算机视觉与医学影像交叉领域的重要研究方向，其核心目标在于通过自动化算法辅助皮肤病的诊断与筛查。该领域的研究可追溯至21世纪初，随着深度学习技术的兴起，大规模、高质量的数据集成为推动算法性能提升的关键。由Jeremy Kawahara、G. Hamarneh等学者于2019年发起的awesome-skin-image-analysis-datasets项目，系统梳理了全球范围内用于皮肤图像分析的公开数据集，涵盖从临床摄影到皮肤镜图像的多种模态。这些数据集不仅服务于皮肤病变分割、分类等基础任务，还促进了多机构合作与算法公平性研究，对皮肤病学智能化发展具有里程碑意义。

当前挑战

当前皮肤图像分析面临多重挑战。首先，领域问题层面，皮肤病变的类间相似性高（如黑色素瘤与良性痣）、类内变异大（受肤色、光照等因素影响），导致模型泛化能力不足。其次，构建过程中，数据集普遍存在样本不均衡（恶性样本稀缺）、标注成本高昂（需资深皮肤科医生参与）及隐私合规限制（如患者数据脱敏）等问题。此外，现有数据集多集中于浅肤色人群，对深肤色及罕见病例覆盖有限，易引入算法偏见。跨数据集迁移时，采集设备、成像协议差异进一步加剧了领域漂移，制约了临床落地效果。

常用场景

经典使用场景

在皮肤影像分析领域，该数据集集合被广泛用于训练和评估深度学习模型，特别是在皮肤病变分割、分类以及诊断任务中。研究人员常利用其中如ISIC Archive、HAM10000和PH2等经典子集，构建高精度的卷积神经网络或Transformer架构，以自动识别黑色素瘤、基底细胞癌等常见皮肤疾病。这些数据集提供了丰富的多模态图像及专家标注，使得模型能够在复杂的临床场景下学习鲁棒的视觉特征，从而提升皮肤科计算机辅助诊断系统的性能。

衍生相关工作

该数据集集合衍生了一系列具有影响力的学术工作，包括但不限于：基于ISIC挑战赛的皮肤病变分割与分类竞赛，催生了如U-Net、DeepLab等架构在医学影像中的创新应用；DermSynth3D等合成数据集利用生成模型扩展了训练数据的多样性；SKINCON数据集则聚焦于病变对称性分析，推动了可解释性皮肤病诊断研究。此外，Fitzpatrick17k的提出引发了对皮肤影像公平性的广泛讨论，促使研究者开发去偏算法与多模态融合模型。

数据集最近研究

最新研究方向

随着深度学习与计算机视觉技术在医学影像分析中的深度融合，皮肤图像分析领域正经历从传统病灶检测向多模态、公平性及生成式模型方向的范式转变。该数据集集合涵盖了从经典病灶分割基准（如ISIC、PH2）到新兴的猴痘疫情数据集（Monkeypox-dataset-2022），以及关注皮肤类型多样性的Fitzpatrick17k，后者在2022年《自然》杂志相关研究中揭示了皮肤科人工智能模型对深色皮肤患者的诊断偏差，直接推动了医疗AI公平性研究的浪潮。DermSynth3D等合成数据集的出现，则标志着3D生成模型开始介入皮肤病变模拟，为数据稀缺问题提供了创新解决方案。此外，SKINCON与DermX等数据集通过引入专家标注的对称性、诊断解释等高级语义信息，促使研究重心从单纯分类向可解释性诊断推理迁移，呼应了临床对透明AI的迫切需求。这些数据集的整合与迭代，不仅支撑了皮肤癌早筛、远程皮肤病学等应用场景的落地，更在猴痘全球公共卫生事件中快速转化为开源诊断资源，彰显了数据集生态在应对突发健康危机中的战略价值。