Breast Ultrasound Images (BUSI)|乳腺超声数据集|医学图像分析数据集

小型（约500×500像素）超声图像，适用于良性和恶性病变的分类和分割任务。

原始信息汇总

Breast-Cancer-Imaging-Datasets

简介

该仓库提供了一个精选的乳腺癌影像和病理学数据集列表，旨在为研究人员、临床医生和学生提供便捷的访问。数据集按成像方式分类，便于理解。该仓库包含了35个公开可用的数据集。

数据集列表

超声

数据集	受试者数量	样本数量	格式	大小	年份	引用	访问数据
Breast Ultrasound Images (BUSI)	600	780	PNG	204MB	2020	链接	下载
Breast Lesions USG	256	522	PNG	66.67MB	2024	链接	下载
UDIAT Breast Ultrasound Dataset B	163	163	N/A	N/A	2017	链接	请求权限
OASBUD	78	200	Matlab	296.8MB	2017	链接	下载
BUS Synthetic Dataset	0	500	PNG	9.7MB	2023	链接	下载

总结:

• BUSI: 适合良性与恶性病变的分类和分割任务。
• Breast Lesions USG: 适合病变检测、分类和分割。
• UDIAT Dataset B: 适合病变检测和分类方法的开发。
• OASBUD: 提供原始超声信号，适合信号处理、分割和分类。
• BUS Synthetic Dataset: 适合模型训练和数据增强。

数字乳腺断层合成 (DBT)

数据集	受试者数量	样本数量	格式	大小	年份	引用	下载
Breast Cancer Screening DBT	5060	22032	DICOM	1.63TB	2024	链接	下载
EA1141	1444	500	DICOM	2.82TB	2023	链接	下载
VICTRE	2994	2994	DICOM	1.03TB	2019	链接	下载

总结:

• Breast Cancer Screening DBT: 适合病变检测和3D重建任务。
• EA1141: 支持多模态分析和筛查优化。
• VICTRE: 适合CAD开发和比较研究。

乳腺X线摄影 (Mammography)

数据集	受试者数量	样本数量	格式	大小	年份	引用	下载
CBIS-DDSM	1566	6671	DICOM	161.51GB	2017	链接	下载
CMMD	1775	3728	DICOM	22.86GB	2021	链接	下载
CDD-CESM	326	2006	JPEG	1.5GB	2021	链接	下载
VinDr-Mammo	5000	200000	DICOM	N/A	2022	链接	下载
INBreast	115	410	N/A	N/A	2012	链接	联系作者
MIAS	N/A	322	PGM	1.5GB	2015	链接	下载
Breast Tumor Mammography Dataset for Computer Vision	N/A	3383	JPG	103.49MB	2024	N/A	下载

总结:

• CBIS-DDSM: 适合分类、检测钙化和肿块分割任务。
• CMMD: 适合跨人群研究、病变检测和分类。
• CDD-CESM: 支持血管化病变的分析。
• VinDr-Mammo: 适合AI模型训练。
• INBreast: 适合算法基准测试。
• MIAS: 适合初始模型训练。
• Breast Tumor Mammography Dataset: 适合入门级实验。

MRI

数据集	受试者数量	样本数量	格式	大小	年份	引用	下载
ACRIN-6667	984	984	DICOM	199.59GB	2021	链接	下载
ACRIN-6698	385	385	DICOM	1.94TB	2021	链接	下载
ISPY1	222	222	DICOM	78.36GB	2016	链接	下载
ISPY2	719	719	DICOM	4.16TB	2022	链接	下载
Duke Breast Cancer MRI	922	922	DICOM	368.89GB	2022	链接	下载
Breast Cancer Patients MRIs	700	700	JPG	201.4MB	2021	N/A	下载
Breast MRI NACT Pilot	64	64	DICOM	19.51GB	2023	链接	下载
QIN Breast DCE-MRI	10	10	DICOM	15.9GB	2019	链接	下载
QIN-BREAST	67	67	DICOM	11.41GB	2020	链接	下载
QIN-BREAST-02	13	13	DICOM	4.19GB	2019	链接	下载
Advanced MRI Breast Lesions	632	632	DICOM	646GB	2024	链接	下载
BREAST DIAGNOSIS	88	88	DICOM	60.87GB	2011	链接	下载

总结:

• ACRIN-6667 & ACRIN-6698: 适合评估新辅助化疗反应。
• ISPY1 & ISPY2: 适合预测治疗反应。
• Duke Breast Cancer MRI: 适合病变特征化。
• Breast Cancer Patients MRI’s: 适合基本分类任务。
• Breast MRI NACT Pilot: 适合治疗反应分析。
• QIN (Breast DCE-MRI, QIN-BREAST, QIN-BREAST-02): 适合基准测试。
• Advanced MRI Breast Lesions: 适合复杂模型评估。
• BREAST DIAGNOSIS: 适合诊断特征提取。

病理学

数据集	受试者数量	样本数量	格式	大小	年份	引用	下载
Post NAT BRCA	54	54	SVS	42.3GB	2019	链接	下载
Breast Histopathology Images	162	162	PNG	1.6GB	2016	链接	下载
BreakHis	82	7909	PNG	N/A	2016	链接	下载
Breast Cancer Cell Segmentation	N/A	58	TIFF	159.82MB	2019	链接	下载
BCSS	25	151	RGB	N/A	2019	链接	下载
TUPAC16	500	N/A	SVS	848GB	2016	链接	下载
CAMELYON	200	1399	TIFF	N/A	2018	[链接](https://pmc.ncbi.nlm.nih.gov/articles/PMC6007545

AI搜集汇总

数据集介绍

构建方式

Breast Ultrasound Images (BUSI) 数据集通过收集600名受试者的超声图像构建而成，共包含780张PNG格式的图像，总大小为204MB。该数据集的构建旨在为乳腺病变（包括良性和恶性）的分类与分割任务提供高质量的图像资源。图像分辨率约为500×500像素，适合用于基于超声图像的计算机辅助诊断研究。

特点

BUSI 数据集的主要特点在于其图像分辨率适中，适合多种分类和分割任务。该数据集涵盖了良性和恶性病变的超声图像，能够为研究人员提供丰富的训练和测试样本。此外，其图像格式为PNG，便于直接用于深度学习模型的输入，且数据集大小适中，便于存储和处理。

使用方法

BUSI 数据集可用于多种机器学习任务，包括乳腺病变的分类和分割。用户可以通过Kaggle平台下载该数据集，并将其用于训练和验证深度学习模型。数据集的图像格式为PNG，适合直接输入到卷积神经网络（CNN）等模型中。此外，该数据集还可用于数据增强和模型性能评估，为乳腺超声图像的计算机辅助诊断提供支持。

背景与挑战

背景概述

乳腺癌超声图像数据集（Breast Ultrasound Images, BUSI）是由研究人员于2020年创建的，旨在为乳腺癌的诊断和分类提供高质量的超声图像数据。该数据集包含了600个主题的780张PNG格式图像，总大小为204MB。BUSI数据集的核心研究问题是通过超声图像对乳腺病变进行良恶性分类和分割任务。该数据集的发布对医学影像分析领域具有重要意义，尤其是在利用机器学习技术进行乳腺癌早期检测和诊断方面，为研究人员提供了宝贵的资源。

当前挑战

BUSI数据集在构建和应用过程中面临多项挑战。首先，超声图像的分辨率较低（约500×500像素），这增加了图像分类和分割任务的难度。其次，超声图像的噪声和不均匀性可能导致模型在处理时出现误差。此外，数据集的样本量相对较小，可能限制了模型的泛化能力。在应用方面，如何有效利用该数据集进行模型训练，以提高乳腺癌检测的准确性和可靠性，是当前研究的主要挑战之一。

常用场景

经典使用场景

Breast Ultrasound Images (BUSI) 数据集在乳腺超声图像的分类和分割任务中展现了其经典应用价值。该数据集包含了约780张超声图像，涵盖了良性与恶性病变的分类需求，特别适用于开发和验证基于深度学习的乳腺病变检测与分割算法。通过这些图像，研究者能够训练模型以自动识别和定位乳腺病变，从而提高诊断的准确性和效率。

解决学术问题

BUSI 数据集解决了乳腺超声图像分析中的关键学术问题，特别是在良恶性病变分类和病变区域精确分割方面。该数据集为研究者提供了一个标准化的基准，用于评估和比较不同算法在乳腺病变检测和分类任务中的性能。其意义在于推动了计算机辅助诊断（CAD）技术的发展，为临床决策提供了更为可靠的依据，从而提升了乳腺癌早期筛查的效率和准确性。

衍生相关工作

基于 BUSI 数据集，研究者们开发了多种经典的深度学习模型和算法，用于乳腺病变的分类和分割任务。例如，一些研究工作利用该数据集训练了卷积神经网络（CNN）模型，以实现高精度的病变检测和分类。此外，该数据集还激发了多模态数据融合的研究，通过结合超声图像与其他成像技术（如MRI和X光），进一步提升了病变识别的准确性。这些衍生工作不仅丰富了乳腺图像分析的研究领域，也为临床实践提供了更为先进的工具。