一、医学图像数据集是什么
医学图像数据集是指在医学研究、临床诊疗或人工智能（AI）开发中公开或受控发布的、包含大量医学影像（如 X‑光、CT、MRI、超声、病理切片等）以及对应的标注信息（病灶位置、分割掩码、诊断标签、临床报告等）的结构化集合。它们的主要作用包括：
| 功能 | 说明 |
|---|---|
| 算法研发 | 为图像分类、检测、分割、检索、报告生成等任务提供训练、验证、测试样本。 |
| 标准化评估 | 通过统一的评估协议（如 AUC、Dice、IoU）对不同模型进行公平比较。 |
| 跨机构共享 | 促进多中心、跨地区的数据共享，提升模型的泛化能力。 |
| 科研复现 | 公开数据、代码和评估指标，保证科研成果可重复。 |
从技术角度看，医学图像数据集通常包含以下要素：
- 影像本体：原始 DICOM、NIfTI、PNG/JPG 等格式的医学图像。
- 标注信息：
- 分类标签（如疾病/正常）
- 分割掩码（像素级病灶标注）
- 检测框（Bounding Box）
- 结构化报告（放射科报告、自然语言描述）
- 元数据：患者年龄、性别、扫描参数、机构来源等。
- 使用协议：数据使用许可（CC‑BY、CC‑0、MIT 等）和伦理合规要求。
二、常用医学图像数据集（按影像模态划分）
下面列出在 2024‑2025 年仍被广泛引用的代表性数据集，提供简要描述、规模、主要任务以及官方下载链接。所有链接均来源于公开渠道或官方平台，使用时请遵守相应的使用协议。
| 序号 | 数据集 | 影像模态 | 规模（约） | 主要任务 | 下载/主页链接 |
|---|---|---|---|---|---|
| 1 | NIH Chest X‑ray (ChestX‑ray14) | X‑光（前位） | 112 120 张胸片，30 000+ 患者 | 多标签疾病分类（14 类） | https://nihcc.app.box.com |
| 2 | CheXpert（斯坦福） | X‑光（前位/侧位） | 224 316 张胸片，65 240 名患者 | 疾病分类、标签不确定性处理 | https://stanfordmlgroup.github.io |
| 3 | MIMIC‑CXR（MIT + Harvard） | X‑光（前位/侧位） | 377 110 张 DICOM，约 65 000 名患者 | 多标签分类、报告生成 | https://physionet.org/ |
| 4 | LUNA16 | 低剂量胸部 CT | 888 例 CT 扫描（约 1 000 000 切片） | 肺结节检测、恶性预测 | https://luna16.grand-challenge.org/ |
| 5 | LIDC‑IDRI | 胸部 CT | 1 018 例 CT（约 101 000 切片） | 结节标注、分割、恶性评估 | https://wiki.cancerimagingarchive.net/ |
| 6 | BraTS（脑肿瘤分割挑战） | 多模态 MRI（T1、T1‑c、T2、FLAIR） | 2024‑2025 赛季累计约 4 000 例（训练/验证/测试） | 脑肿瘤（胶质瘤）分割、亚区分割 | https://braintumorsegmentation.org/ |
| 7 | ISIC（International Skin Imaging Collaboration） | 皮肤镜（彩色） | 23 000+ 张（ISIC‑2024 约 81 722 张） | 病变分类、分割（黑色素瘤） | https://challenge2024.isic-archive.com/ |
| 8 | ADNI（Alzheimer’s Disease Neuroimaging Initiative） | MRI、PET、临床/基因 | 超过 2 000 名受试者，MRI 超 1 000 例 | 阿尔茨海默病进展预测、结构/功能分析 | https://adni.loni.usc.edu/ |
| 9 | OASIS（Open Access Series of Imaging Studies） | 脑部 MRI（横断面、纵向） | 416 名受试者（横断面）+ 150 + 纵向数据 | 老年痴呆、结构变化分析 | http://www.oasis‑brains.org/ |
| 10 | DeepLesion（NIH CC） | CT（全身） | 32 120 张标注切片，10 000+ 病例 | 通用病灶检测、跨器官分割 | https://nihcc.box.com/v/DeepLesion |
| 11 | MedSegBench（多模态分割基准） | 超声、MRI、X‑光、显微镜等 35 子集 | 超 60 000 张图像 | 统一评估分割模型（Precision、Recall、F1、IoU） | https://zenodo.org/records/13381081 |
| 12 | TCIA（The Cancer Imaging Archive） | 多模态（CT、MRI、PET、病理） | 超 30 TB，覆盖 30+ 癌种 | 肿瘤影像研究、放疗计划 | https://www.cancerimagingarchive.net/ |
备注
- 部分数据集（如 MIMIC‑CXR、ADNI、DeepLesion）需要先完成用户注册并签署数据使用协议（DUA），方可下载。
- 大多数数据集采用 CC‑BY、CC‑0 或 Creative Commons Attribution 4.0 International 许可，科研使用时请注明原始出处（如本文所列的证据 ID）。
三、选取数据集的建议
| 场景 | 推荐数据集 | 关键理由 |
|---|---|---|
| 肺部疾病（结核、肺炎、肺结节） | NIH Chest X‑ray、CheXpert、MIMIC‑CXR、LUNA16、LIDC‑IDRI | 覆盖 X‑光与 CT，标签体系完整，已有大量基准模型。 |
| 脑部疾病（阿尔茨海默、脑肿瘤） | ADNI、OASIS、BraTS | MRI 为主，提供结构、功能、分割等多任务标注。 |
| 皮肤病变 | ISIC、HAM10000（子集） | 高质量彩色皮肤镜图像，标注细粒度，适合分类与分割。 |
| 通用多模态分割 | MedSegBench、TCIA | 包含超声、X‑光、显微镜等多种模态，便于跨任务模型评估。 |
| 全身通用病灶检测 | DeepLesion | 大规模 CT 病灶标注，覆盖肺、肝、肾、骨等多器官。 |
四、使用医学图像数据集的注意事项
- 伦理合规：所有涉及患者信息的原始数据均已去标识化（HIPAA、GDPR 等），但仍需遵守数据提供方的使用协议。
- 数据预处理：不同数据集的图像尺寸、像素间距、坐标系可能不统一，建议使用统一的预处理流水线（如
torchio、MONAI）进行归一化、重采样。 - 标注一致性：同一疾病在不同数据集的标签体系可能略有差异（如 CheXpert 的“不确定”标签），训练时需统一映射或采用多任务学习。
- 基准划分：大多数公开数据集已经提供官方的训练/验证/测试划分，尽量使用官方划分以保证结果可比性。
五、结语
医学图像数据集是推动医学影像 AI 发展的基石。通过合理选取、规范使用并结合最新的模型框架（如 U‑Net、Transformer、混合编码器），可以在疾病筛查、诊断辅助、治疗规划等方面取得实质性进展。希望上述概览能帮助你快速定位所需资源，开展高质量的医学影像研究。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！