摘要：本数据集包含腹部肾脏 CT 影像及其对应的分割标注，旨在支持 肾脏与肾脏肿瘤的自动分割研究。数据集共包含 3921 张图像，划分为训练集、验证集和测试集，并提供与之对应的 YOLOv8、YOLOv12实例分割格式标签。标注区分 两类目标：肾脏正常（Normal）与肾脏肿瘤（tumor），可用于训练和评估分割模型。
数据集信息
编号：Dataset-1
大小：202M
整理：Bob
数据集概览
数据类型：
表1 数据类型与格式
数据规模：
（1）数据集划分直方图
图1 数据集划分直方图
表2 数据集划分与规模
（2）数据集划分饼图
图2 数据集划分饼图
表3 数据集比例及作用
任务类型：
表4 任务类型说明
数据集类别
表5 类别定义
数据集来源
表6 数据集来源与说明
数据集用途
本数据集可用于：
（1）医学图像分割模型训练（YOLOv8、U-Net、nnU-Net等深度学习模型的训练与优化。）
（2）临床辅助诊断（肾脏肿瘤检测、体积测量及病灶区域分析，辅助医学研究与诊断。）
（3）算法性能对比（作为Benchmark，用于不同算法的性能评测与对比实验。）
（4）教学与科研实验（作为医学影像与人工智能课程的实验数据，用于教学和科研探索。）
数据集须知
（1）类别不平衡(肿瘤区域远小于肾脏区域，训练时需考虑类别权重或使用 Dice/Focal Loss。)
（2）图像格式 (数据集为 JPG/PNG，可能丢失原始 CT 的 HU 值，不适合直接做医学定量分析。)
（3）匿名化处理(已去除 DICOM 头等隐私信息，确保患者数据安全。)
（4）使用限制(数据集仅限科研与教学用途，不得用于商业医疗诊断。)
数据集性能
训练与验证性能曲线：
图3 YOLOv12 模型训练与验证性能曲线
该图展示了 YOLO 模型在数据集上的训练与验证过程，损失函数逐步下降并趋于平稳，同时验证集上的精度、召回率和 mAP 指标不断提升并稳定，表明模型收敛良好并具备较高的分割性能。
精确率-召回率曲线（Box与Mask）：
图4 PR曲线(Box)和PR曲线(Mask)
无论是Box还是Mask，模型在本数据集上的表现都非常优异，正常类接近完美 (≈0.993)，肿瘤类也保持了较高精度 (≈0.974)，整体 mAP 指标达到 0.984，说明模型具有良好的分类与分割能力。
混淆矩阵与归一化混淆矩阵：
图5 混淆矩阵与归一化混淆矩阵
模型在该数据集上的分类和分割效果都非常优异，尤其是 normal 类几乎完美，tumor 类表现良好但有少量误判，需要关注类别不平衡问题。
训练数据可视化
图6 训练与验证数据可视化对比
左图为训练集样本（train_batch0.jpg），展示了数据增强后的标注情况；右图为验证集样本（val_batch0_labels.jpg），展示了真实标注。蓝色区域为肾脏正常（类别 0），青色区域为肾脏肿瘤（类别 1）。
联系我们
官方声明
（1）实验环境真实性与合规性声明：
本研究所使用的硬件与软件环境均为真实可复现的配置，未采用虚构实验平台或虚拟模拟环境。实验平台为作者自主购买的惠普（HP）暗影精灵 10 台式整机，具体硬件参数详见表。软件环境涵盖操作系统、开发工具、深度学习框架等，具体配置详见表，所有软件组件均来源于官方渠道或开源社区，并按照其许可协议合法安装与使用。
研究过程中严格遵循学术诚信和实验可复现性要求，确保所有实验数据、训练过程与结果均可在相同环境下被重复验证，符合科研规范与工程实践标准。
（2）版权声明：
本算法改进中涉及的文字、图片、表格、程序代码及实验数据，除特别注明外，均由2zcode.Bob独立完成。未经2zcode官方书面许可，任何单位或个人不得擅自复制、传播、修改、转发或用于商业用途。如需引用本研究内容，请遵循学术规范，注明出处，并不得歪曲或误用相关结论。
本研究所使用的第三方开源工具、框架及数据资源均已在文中明确标注，并严格遵守其相应的开源许可协议。使用过程中无违反知识产权相关法规，且全部用于非商业性学术研究用途。
评论(0)