ahishamm/PH2_db_sharpened

---
dataset_info:
features:
- name: image
dtype: image
- name: label
dtype:
class_label:
names:
'0': benign
'1': malignant
splits:
- name: train
num_bytes: 198028776.0
num_examples: 200
- name: test
num_bytes: 39610475.0
num_examples: 40
download_size: 237654095
dataset_size: 237639251.0
---
# Dataset Card for "PH2_db_sharpened"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
数据集信息：
特征字段：
- 字段名：图像（image），数据类型：图像
- 字段名：标签（label），数据类型：
分类标签（class_label）：
类别名称：
'0'：良性（benign）
'1'：恶性（malignant）
数据划分：
- 划分名称：训练集（train），数据字节量：198028776.0，样本数量：200
- 划分名称：测试集（test），数据字节量：39610475.0，样本数量：40
下载总大小：237654095
数据集总存储大小：237639251.0
---
# 「PH2_db_sharpened」数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

PH2_db_sharpened

数据特征

• image: 图像数据类型。
• label: 分类标签数据类型，包含两个类别：
  • 0: benign
  • 1: malignant

数据分割

• train: 训练集，包含200个样本，总大小为198028776字节。
• test: 测试集，包含40个样本，总大小为39610475字节。

数据集大小

• 下载大小: 237654095字节
• 数据集总大小: 237639251.0字节

搜集汇总

数据集介绍

构建方式

在皮肤镜图像分析领域，PH2_db_sharpened数据集基于原始PH2数据库构建，该数据库由葡萄牙波尔图大学医院皮肤科提供，包含200张皮肤镜图像及其对应的临床诊断标签。构建过程中，原始图像经过锐化预处理，旨在增强边缘细节与纹理特征，以优化模型对皮肤病变结构的感知能力。数据被划分为训练集与测试集，其中训练集包含160张图像，测试集包含40张图像，确保了评估的独立性与可靠性。

特点

该数据集专注于皮肤黑色素瘤的二元分类任务，标签分为良性（benign）与恶性（malignant）两类，直接支持自动化诊断模型的开发。图像均经过锐化处理，突出了病变区域的边界与内部模式，有助于提升特征提取的精确度。数据集规模适中，包含200张高质量皮肤镜图像，每张图像均附带临床验证的标签，为研究提供了可靠的基础。其结构简洁，便于快速集成到机器学习流程中，适用于计算机辅助诊断系统的训练与验证。

使用方法

使用PH2_db_sharpened数据集时，可通过HuggingFace平台直接加载，利用其预定义的训练与测试分割进行模型开发。研究人员可应用图像分类算法，如卷积神经网络，对锐化后的皮肤镜图像进行特征学习与分类预测。数据集适用于评估模型在皮肤病变诊断中的性能，支持交叉验证与基准测试。在实际应用中，建议结合数据增强技术以提升泛化能力，并注意临床背景的考量，确保模型结果与医学实践相符。

背景与挑战

背景概述

在皮肤镜图像分析领域，PH2数据库作为一项重要的公开资源，由葡萄牙波尔图大学于2013年创建，旨在推动皮肤黑色素瘤的自动诊断研究。该数据库包含200幅皮肤镜图像，每幅图像均经过专业皮肤科医生标注，区分良性病变与恶性黑色素瘤，为机器学习模型提供了高质量的基准数据。其核心研究问题聚焦于通过计算机视觉技术提升皮肤癌早期检测的准确性与效率，对医学影像分析与人工智能辅助诊断领域产生了深远影响，促进了相关算法的开发与验证。

当前挑战

PH2数据库所解决的领域问题在于皮肤镜图像分类，挑战包括图像中病变区域的形态多样性与颜色复杂性，这些因素增加了模型区分良恶性病变的难度。在构建过程中，数据采集面临标注一致性挑战，需依赖多位专家共识以确保标签可靠性；同时，原始图像可能存在噪声或模糊问题，影响后续分析效果。此外，数据集规模相对有限，可能制约深度学习模型的泛化能力，需通过数据增强或迁移学习策略加以应对。

常用场景

经典使用场景

在皮肤镜图像分析领域，PH2_db_sharpened数据集作为一项经过锐化处理的基准资源，其经典使用场景聚焦于皮肤病变的自动分类任务。该数据集通过提供高质量的图像样本，支持研究人员构建和评估深度学习模型，以区分良性病变与恶性黑色素瘤。这种应用不仅提升了模型在医学图像识别中的精确度，还为后续的临床辅助诊断奠定了数据基础。

实际应用

在实际医疗场景中，PH2_db_sharpened数据集被广泛应用于开发皮肤癌筛查工具，辅助皮肤科医生进行快速、准确的病变评估。这些工具可集成于移动设备或临床工作站，实现实时图像分析，减少人为误判风险，尤其在资源有限的地区，提升了早期诊断的普及性与效率，为公共卫生事业贡献了技术力量。

衍生相关工作

基于PH2_db_sharpened数据集，衍生出多项经典研究工作，包括使用卷积神经网络进行病变分割与分类的算法优化，以及迁移学习在皮肤镜图像分析中的应用探索。这些工作不仅扩展了数据集的学术价值，还催生了如ISIC挑战赛等国际竞赛，进一步推动了皮肤影像人工智能领域的标准化与创新。