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