File size: 3,895 Bytes
0be4d08 3cd027c 0be4d08 3cd027c | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 | ---
license: cc-by-nc-sa-4.0
task_categories:
- image-classification
- image-segmentation
tags:
- medical
- dermatology
- skin-cancer
- melanoma
- bcc
- ak
- unet
- ham10000
size_categories:
- 10K<n<100K
---
# IACancer - Skin Lesion Classification & Segmentation Dataset
Este repositorio contiene conjuntos de datos para el entrenamiento, validación y evaluación de modelos de Deep Learning enfocados en la detección, clasificación y segmentación de lesiones cutáneas (cáncer de piel).
## 📁 Estructura del Repositorio
El dataset está empaquetado en archivos comprimidos (`.tar.gz`) para una descarga rápida y eficiente, junto con los archivos de metadatos en formato `.csv` accesibles directamente:
```text
FernandoTerrazas/IACancer/
├── README.md # Ficha técnica y documentación del dataset
├── HAM10000_metadata.csv # Metadatos clínicos de HAM10000 (edad, sexo, diagnóstico, localización)
├── hmnist_28_28_L.csv # Representaciones preprocesadas 28x28 escala de grises
├── hmnist_8_8_RGB.csv # Representaciones preprocesadas 8x8 RGB
├── hmnist_8_8_L.csv # Representaciones preprocesadas 8x8 escala de grises
├── Oficial.tar.gz # Imágenes originales clasificadas por patología (AK, BCC, MEL)
├── Oficial_Mascaras.tar.gz # Máscaras binarias asociadas a las imágenes originales
├── Oficial_Segmentado.tar.gz # Imágenes segmentadas aplicando las máscaras
├── Oficial_UNet_Segmentado.tar.gz # Segmentaciones generadas mediante modelo U-Net
├── Oficial_Modelo1_Imagenes.tar.gz # Colección completa de imágenes HAM10000 (part_1 y part_2)
└── Oficial_Modelo1_Segmentado.tar.gz # 10,015 máscaras de segmentación de lesiones HAM10000
```
---
## 🏷️ Clases Diagnósticas
Para los subconjuntos clasificados (`Oficial`, `Oficial_Mascaras`, `Oficial_Segmentado`, `Oficial_UNet_Segmentado`):
| Etiqueta | Nombre Clínico | Descripción |
| :---: | :--- | :--- |
| **AK** | Queratosis Actínica / CEC in situ | Lesión premaligna común originada por daño solar acumulado. |
| **BCC** | Carcinoma Basocelular | El tipo más frecuente de cáncer de piel, de crecimiento lento. |
| **MEL** | Melanoma | Neoplasia maligna de melanocitos, de alto potencial metastásico. |
---
## 🚀 Cómo Descargar y Usar en Python
### 1. Descargar y extraer un conjunto específico
```python
import tarfile
from huggingface_hub import hf_hub_download
# Descargar el archivo comprimido deseado
archive_path = hf_hub_download(
repo_id="FernandoTerrazas/IACancer",
filename="Oficial.tar.gz",
repo_type="dataset"
)
# Extraer el contenido en la carpeta local './data'
with tarfile.open(archive_path, "r:gz") as tar:
tar.extractall(path="./data")
print("Dataset extraído exitosamente en ./data/Oficial")
```
### 2. Descargar todos los conjuntos del repositorio
```python
from huggingface_hub import snapshot_download
import tarfile
from pathlib import Path
# Descargar el repositorio completo
local_dir = Path("./downloaded_dataset")
snapshot_download(
repo_id="FernandoTerrazas/IACancer",
repo_type="dataset",
local_dir=local_dir
)
# Extraer todos los archivos .tar.gz
for tar_file in local_dir.glob("*.tar.gz"):
print(f"Extrayendo {tar_file.name}...")
with tarfile.open(tar_file, "r:gz") as tar:
tar.extractall(path=local_dir)
```
---
## 🔬 Citación y Reconocimientos
Este conjunto incluye datos del repositorio **HAM10000** (*"Human Against Machine with 10000 training images"*):
- Tschandl, P., Rosendahl, C. & Kittler, H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. *Sci Data* 5, 180161 (2018). https://doi.org/10.1038/sdata.2018.161
|