MedMNIST医学图像数据集

## 引言与背景

在人工智能技术飞速发展的今天，医疗健康领域正迎来前所未有的变革机遇。医学图像分析作为计算机视觉的重要分支，在疾病诊断、辅助决策、医学研究等方面发挥着越来越重要的作用。然而，高质量、大规模的医学图像数据集一直是制约医疗AI模型发展的关键瓶颈。医学图像数据的获取往往受到伦理审查、隐私保护、数据标注成本高等因素的限制，使得公开可用的标准化医学图像数据集相对稀缺。

本数据集MedMNIST是一个大规模、多模态的医学图像数据集，涵盖了9大医学领域的21万余张图像数据。数据集包含完整的训练集、验证集和测试集划分，每个样本均配有详细的标注信息。这一数据集的出现，为医学图像分析算法的研发与评估提供了宝贵的资源，有助于推动医疗AI技术的进步和临床应用的落地。

MedMNIST数据集由9个独立的子数据集组成，涵盖血液细胞分类、乳腺组织病理、胸部X光片、皮肤病诊断、肺部结节检测、眼底图像、器官分割等多个医学应用场景。数据集中既有2D平面图像，也包含3D体积数据；既有单通道灰度图像，也有三通道彩色图像。这种多模态、多维度的数据构成，使得该数据集不仅适用于传统的图像分类任务，还可用于目标检测、语义分割、3D重建等复杂的计算机视觉任务。

对于科研人员而言，MedMNIST提供了一个标准化的实验平台，便于不同算法之间的公平比较；对于算法工程师而言，丰富的数据类型和标注信息为模型训练提供了充足的素材；对于医疗机构而言，基于该数据集训练的模型有望在临床实践中发挥辅助诊断作用，提高医疗效率和质量。

## 数据基本信息

### 数据集概览

本数据集共包含9个子数据集，存储为独立的NPZ文件格式，总训练样本量达212,598条。各子数据集均包含训练集、验证集和测试集三个部分，并配有对应的标签数据。

| 数据集名称 | 训练样本数 | 验证样本数 | 测试样本数 | 图像尺寸 | 通道数 | 类别数 | 任务类型 |
|-----------|-----------|-----------|-----------|---------|--------|--------|---------|
| bloodmnist | 11,959 | 1,712 | 3,421 | 28×28 | 3 | 8 | 单标签分类 |
| breastmnist | 546 | 78 | 156 | 28×28 | 1 | 2 | 单标签分类 |
| chestmnist | 78,468 | 11,219 | 22,433 | 28×28 | 1 | 14 | 多标签分类 |
| dermamnist | 7,007 | 1,003 | 2,005 | 28×28 | 3 | 7 | 单标签分类 |
| nodulemnist3d | 1,158 | 165 | 310 | 28×28×28 | 28 | 2 | 3D分类 |
| octmnist | 97,477 | 10,832 | 1,000 | 28×28 | 1 | 4 | 单标签分类 |
| organmnist3d | 971 | 161 | 610 | 28×28×28 | 28 | 11 | 3D分类 |
| organsmnist | 13,932 | 2,452 | 8,827 | 28×28 | 1 | 11 | 单标签分类 |
| retinamnist_128 | 1,080 | 120 | 400 | 128×128 | 3 | 5 | 单标签分类 |

### 字段说明

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|---------|---------|---------|---------|--------|
| train_images | numpy.ndarray (uint8) | 训练集图像数据 | shape: (N, H, W, C) 或 (N, H, W) | 100% |
| train_labels | numpy.ndarray (uint8) | 训练集标签数据 | shape: (N, 1) 或 (N, num_classes) | 100% |
| val_images | numpy.ndarray (uint8) | 验证集图像数据 | shape: (N, H, W, C) 或 (N, H, W) | 100% |
| val_labels | numpy.ndarray (uint8) | 验证集标签数据 | shape: (N, 1) 或 (N, num_classes) | 100% |
| test_images | numpy.ndarray (uint8) | 测试集图像数据 | shape: (N, H, W, C) 或 (N, H, W) | 100% |
| test_labels | numpy.ndarray (uint8) | 测试集标签数据 | shape: (N, 1) 或 (N, num_classes) | 100% |

### 数据分布情况

#### 按图像尺寸分布

| 图像尺寸 | 数据集数量 | 训练样本数 | 占比 |
|---------|-----------|-----------|------|
| 28×28 | 8 | 211,518 | 99.49% |
| 128×128 | 1 | 1,080 | 0.51% |

#### 按通道数分布

| 通道数 | 数据集数量 | 训练样本数 | 占比 | 数据类型 |
|-------|-----------|-----------|------|---------|
| 1（灰度） | 4 | 190,423 | 89.56% | 2D灰度图像 |
| 3（RGB） | 3 | 20,046 | 9.43% | 2D彩色图像 |
| 28（3D切片） | 2 | 2,129 | 1.00% | 3D体积数据 |

#### 按任务类型分布

| 任务类型 | 数据集数量 | 训练样本数 | 占比 |
|---------|-----------|-----------|------|
| 单标签分类 | 6 | 132,994 | 62.56% |
| 多标签分类 | 1 | 78,468 | 36.91% |
| 3D分类 | 2 | 2,129 | 1.00% |

#### 按类别数量分布

| 类别数 | 数据集数量 | 训练样本数 | 占比 |
|-------|-----------|-----------|------|
| 2类 | 2 | 1,704 | 0.80% |
| 4类 | 1 | 97,477 | 45.85% |
| 5类 | 1 | 1,080 | 0.51% |
| 7类 | 1 | 7,007 | 3.30% |
| 8类 | 1 | 11,959 | 5.63% |
| 11类 | 2 | 14,903 | 7.01% |
| 14类（多标签） | 1 | 78,468 | 36.91% |

#### 各数据集样本量分布

| 数据集名称 | 训练样本数 | 占全量比例 | 累计占比 |
|-----------|-----------|-----------|---------|
| octmnist | 97,477 | 45.85% | 45.85% |
| chestmnist | 78,468 | 36.91% | 82.76% |
| organsmnist | 13,932 | 6.55% | 89.31% |
| bloodmnist | 11,959 | 5.63% | 94.94% |
| dermamnist | 7,007 | 3.30% | 98.24% |
| nodulemnist3d | 1,158 | 0.54% | 98.78% |
| retinamnist_128 | 1,080 | 0.51% | 99.29% |
| organmnist3d | 971 | 0.46% | 99.75% |
| breastmnist | 546 | 0.25% | 100.00% |

### 主要类别分布

#### bloodmnist类别分布（8类血细胞）

| 类别编号 | 训练样本数 | 占比 |
|---------|-----------|------|
| 6 | 2,330 | 19.50% |
| 1 | 2,181 | 18.23% |
| 3 | 2,026 | 16.94% |
| 7 | 1,643 | 13.74% |
| 2 | 1,085 | 9.07% |
| 5 | 993 | 8.30% |
| 0 | 852 | 7.12% |
| 4 | 849 | 7.10% |

#### dermamnist类别分布（7类皮肤病）

| 类别编号 | 训练样本数 | 占比 |
|---------|-----------|------|
| 5（黑色素瘤） | 4,693 | 66.98% |
| 4 | 779 | 11.12% |
| 2 | 769 | 10.98% |
| 1 | 359 | 5.12% |
| 0 | 228 | 3.25% |
| 6 | 99 | 1.41% |
| 3 | 80 | 1.14% |

#### octmnist类别分布（4类眼底疾病）

| 类别编号 | 训练样本数 | 占比 |
|---------|-----------|------|
| 3 | 46,026 | 47.22% |
| 0 | 33,484 | 34.35% |
| 1 | 10,213 | 10.48% |
| 2 | 7,754 | 7.95% |

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
|---------|---------|---------|
| 规模庞大 | 21万+训练样本，涵盖9大医学领域 | 支持大规模深度学习模型训练，提高模型泛化能力 |
| 多模态数据 | 包含2D图像、3D体积数据、单通道灰度、三通道RGB | 适用于多种计算机视觉任务，便于跨模态研究 |
| 完整标注信息 | 每个样本均有对应标签，支持单标签和多标签任务 | 降低标注成本，加速算法研发进程 |
| 标准化划分 | 统一的训练/验证/测试集划分 | 便于算法公平比较和模型性能评估 |
| 多任务覆盖 | 支持分类、分割、检测等多种任务类型 | 满足不同研究需求，推动多任务学习研究 |
| 医学领域广泛 | 涵盖血液、乳腺、胸部、皮肤、肺部、眼底、器官等领域 | 支持多器官、多疾病的AI辅助诊断研究 |
| 数据质量高 | 数据来源于真实临床场景，经过预处理和标准化 | 保证模型在实际应用中的可靠性和有效性 |
| 格式统一 | 统一的NPZ文件格式，便于数据加载和处理 | 降低数据预处理复杂度，提高开发效率 |

## 数据样例

以下为各数据集的代表性样例信息，展示数据集的多样性特征：

### 数据样例总览

| 序号 | 数据集名称 | 样例类型 | 图像尺寸 | 通道数 | 类别数 | 标签示例 |
|-----|-----------|---------|---------|--------|--------|---------|
| 1 | bloodmnist | 血细胞图像 | 28×28 | 3 | 8 | [3] |
| 2 | bloodmnist | 血细胞图像 | 28×28 | 3 | 8 | [6] |
| 3 | breastmnist | 乳腺病理切片 | 28×28 | 1 | 2 | [1] |
| 4 | chestmnist | 胸部X光片 | 28×28 | 1 | 14 | [0,1,0,...] |
| 5 | dermamnist | 皮肤病图像 | 28×28 | 3 | 7 | [5] |
| 6 | dermamnist | 皮肤病图像 | 28×28 | 3 | 7 | [2] |
| 7 | nodulemnist3d | 肺部结节CT | 28×28×28 | 28 | 2 | [1] |
| 8 | octmnist | 眼底OCT图像 | 28×28 | 1 | 4 | [3] |
| 9 | octmnist | 眼底OCT图像 | 28×28 | 1 | 4 | [0] |
| 10 | organmnist3d | 腹部器官CT | 28×28×28 | 28 | 11 | [5] |
| 11 | organsmnist | 腹部器官切片 | 28×28 | 1 | 11 | [6] |
| 12 | organsmnist | 腹部器官切片 | 28×28 | 1 | 11 | [9] |
| 13 | retinamnist_128 | 眼底彩色图像 | 128×128 | 3 | 5 | [0] |
| 14 | retinamnist_128 | 眼底彩色图像 | 128×128 | 3 | 5 | [2] |

### 样例详细信息

1. bloodmnist - 类别3：淋巴细胞图像，展示了典型的圆形细胞核和少量细胞质特征
2. bloodmnist - 类别6：嗜酸性粒细胞图像，可见明显的颗粒状细胞质
3. breastmnist - 类别1：恶性乳腺组织病理切片，显示细胞形态异常
4. chestmnist - 多标签示例：同时标注了14种胸部疾病的存在与否
5. dermamnist - 类别5：黑色素瘤皮肤病变图像，呈现不规则形状和颜色分布
6. dermamnist - 类别2：良性痣图像，形态规则，边界清晰
7. nodulemnist3d - 类别1：包含肺结节的3D CT体积数据，共28层切片
8. octmnist - 类别3：正常视网膜OCT图像，各层结构清晰
9. octmnist - 类别0：黄斑变性OCT图像，显示视网膜层结构异常
10. organmnist3d - 类别5：肝脏的3D CT体积数据
11. organsmnist - 类别6：肾脏的2D切片图像
12. organsmnist - 类别9：脾脏的2D切片图像
13. retinamnist_128 - 类别0：正常眼底彩色图像，分辨率128×128
14. retinamnist_128 - 类别2：糖尿病视网膜病变眼底图像

### 数据存储格式说明

所有数据集均采用NPZ文件格式存储，这是NumPy的压缩文件格式，支持高效的数据读写。每个NPZ文件包含6个数组：train_images、train_labels、val_images、val_labels、test_images、test_labels。图像数据为uint8类型，取值范围0-255，标签数据同样为uint8类型。

## 应用场景

### 医学图像分类与诊断

医学图像分类是医疗AI最基础也是最重要的应用场景之一。基于MedMNIST数据集，可以训练多种疾病的自动分类模型。例如，利用chestmnist数据集可以训练胸部X光片的多标签分类模型，同时识别14种常见胸部疾病；利用dermamnist数据集可以构建皮肤病分类系统，辅助皮肤科医生进行病变识别；利用bloodmnist数据集可以实现血细胞自动分类，支持血常规检验的自动化。这些模型能够帮助医生提高诊断效率，减少漏诊和误诊，尤其在医疗资源匮乏的地区具有重要意义。

### 3D医学影像分析

nodulemnist3d和organmnist3d两个3D数据集为三维医学影像分析提供了宝贵的数据资源。基于这些数据，可以训练3D卷积神经网络来进行肺部结节检测、器官识别与分割等任务。3D分析能够提供更完整的空间信息，有助于更准确地定位病变区域、评估病变范围。例如，肺部结节检测模型可以自动从CT数据中识别可疑结节，并提供结节的大小、位置、形态等信息，辅助放射科医生进行肺癌筛查。器官分割模型则可以在腹部CT中自动识别和分割肝脏、肾脏、脾脏等重要器官，为手术规划和治疗方案制定提供参考。

### 眼底疾病筛查

octmnist和retinamnist_128两个数据集专注于眼底图像分析，为眼底疾病的自动化筛查提供了支持。基于这些数据训练的模型可以识别糖尿病视网膜病变、黄斑变性、青光眼等多种眼底疾病。眼底检查是许多全身性疾病的重要诊断手段，通过AI辅助筛查可以实现早期发现和干预。特别是retinamnist_128数据集提供了128×128的高分辨率彩色眼底图像，能够捕捉更丰富的细节信息，有助于提高模型的诊断精度。

### 病理图像分析

breastmnist数据集包含乳腺组织病理切片图像，可用于训练病理图像分析模型。病理诊断是疾病诊断的"金标准"，但病理切片的解读需要专业知识和丰富经验。AI辅助病理分析可以帮助病理医生提高诊断一致性，减少人为误差。基于breastmnist训练的模型可以区分良性和恶性乳腺组织，为乳腺癌的早期诊断提供支持。此外，该数据集还可用于研究病理图像的特征提取方法，推动数字病理技术的发展。

### 医学图像分割与器官定位

organsmnist数据集包含11种腹部器官的切片图像，可用于训练器官分割和定位模型。医学图像分割是计算机辅助手术、放射治疗计划等应用的基础。基于organsmnist训练的模型可以在CT或MRI图像中自动识别和分割肝脏、胆囊、脾脏、肾脏等器官，为后续的临床应用提供精确的器官轮廓信息。这些模型还可以与3D重建技术相结合，生成器官的三维模型，帮助医生更直观地理解解剖结构，优化手术路径规划。

## 结尾

MedMNIST医学图像数据集以其庞大的规模、丰富的模态和完整的标注信息，成为医学图像分析领域的重要资源。该数据集涵盖了血液、乳腺、胸部、皮肤、肺部、眼底、器官等9大医学领域，支持分类、分割、检测等多种计算机视觉任务，为医疗AI的研究和应用提供了坚实的数据基础。

数据集中包含的完整原始图像数据是其核心优势之一。从2D平面图像到3D体积数据，从单通道灰度到三通道彩色，多样化的数据类型使得研究者能够探索各种深度学习架构和算法。同时，统一的数据集格式和标准化的训练/验证/测试划分，便于不同算法之间的公平比较，推动医学图像分析技术的进步。

基于MedMNIST数据集训练的AI模型在临床诊断、疾病筛查、手术规划等方面具有广阔的应用前景。随着深度学习技术的不断发展，这些模型有望在提高医疗效率、降低医疗成本、改善患者预后等方面发挥重要作用。

如需获取更多关于数据集的详细信息或使用指导，欢迎私信交流。