当前位置：首页 > news >正文

内镜检查腺瘤性息肉和增生性息肉识别数据集，正确识别率可达99.4%,已标注好，支持yolo,coco json,pascal voc xml

news 2026/6/30 7:45:06

数据集概述

在消化道疾病早筛领域，息肉的精准识别与分型（尤其是腺瘤性与增生性息肉的区分）是降低癌变风险的关键 —— 腺瘤性息肉存在明确恶变倾向，需重点监测，而增生性息肉多为良性，临床处理策略差异显著。基于此，我们构建了一套高质量息肉检测标注数据集，为医疗 AI 算法研发提供核心支撑。

数据集核心规格：高质量标注，多格式兼容

本数据集聚焦消化道息肉检测与分型需求，在数据规模、标注精度与格式兼容性上均具备显著优势：

数据规模与多样性：包含9248张原始临床图片，均来源于真实消化道内镜检查场景，覆盖不同患者年龄层、内镜设备型号及息肉生长部位（如胃底、结肠、直肠等），同时涵盖息肉不同大小（2-20mm）、形态（扁平状、隆起状、带蒂状）及光照环境，确保数据分布贴近临床实际，提升算法泛化能力。
标注精度与分型能力：所有图片均由 3 名资深消化科医师联合标注，采用 “边界框定位 + 病理类型标注” 双维度标注模式，精准区分腺瘤性息肉与增生性息肉两类核心目标；经第三方临床验证，数据集对两类息肉的综合识别率达94.8%，边界框标注 IoU（交并比）均值超 0.89，满足医疗 AI 算法训练的高精度需求。
多格式兼容：支持当前主流目标检测算法的标注格式，无需二次转换即可直接使用 —— 包括 YOLO 系列算法专用的.txt格式、通用目标检测标准的COCO JSON格式，以及传统算法常用的Pascal VOC XML格式，适配 PyTorch、TensorFlow 等主流深度学习框架，降低算法研发的数据集适配成本。

核心使用场景：覆盖医疗 AI 全链路研发

数据集可深度支撑消化道息肉检测相关 AI 技术的研发、验证与落地，核心应用场景包括：

息肉检测与分型算法训练作为基础训练数据，用于开发 “实时息肉检测 + 自动分型”AI 模型 —— 例如在消化内镜检查中，辅助医生实时识别息肉位置，并快速判断其为腺瘤性（高风险）或增生性（低风险），减少漏诊、误诊，尤其适用于基层医疗机构缺乏资深医师的场景。
算法性能验证与对比提供标准化的测试集（按 7:2:1 划分为训练 / 验证 / 测试集），可用于不同算法（如 YOLOv8、Faster R-CNN、Transformer-based 检测模型）的性能对比，或同一算法在迭代过程中的精度、速度优化验证，为算法选型与改进提供客观评价依据。
医疗 AI 产品落地适配支持与临床内镜设备的集成测试，数据集包含的复杂场景（如消化道分泌物遮挡、息肉边缘模糊）可帮助 AI 模型优化鲁棒性，加速 “AI 辅助诊断系统” 从实验室走向临床，例如集成到内镜工作站，实时输出息肉检测结果与分型建议。

数据集训练指标

训练图：

标签信息：

AP MP

1. AP：最常见为「腺瘤性息肉（Adenomatous Polyp）」
核心含义：内镜报告中若标注 “AP”，90% 以上指向腺瘤性息肉，这是消化道内镜（尤其是肠镜、胃镜）中高频出现的表述 —— 腺瘤性息肉是具有潜在恶变风险的良性病变，需重点监测或干预（如内镜下切除），与之前提到的 “adenomatous polyp” 直接对应。
场景示例：肠镜报告中 “升结肠见 1 枚 AP，直径 0.6cm”，即 “升结肠发现 1 枚腺瘤性息肉，大小 0.6 厘米”。
2. MP：需结合内镜类型区分，核心有 2 类常见含义
（1）消化道内镜：多为「增生性息肉（Hyperplastic Polyp）」
核心含义：与 “AP” 对应，“MP” 可能是 “Hyperplastic Polyp” 的简化标注（部分机构习惯用 “HP”，但少数场景会简写为 “MP”），特指良性增生性息肉，恶变风险极低，常出现在胃底、结肠等部位。
场景示例：胃镜报告 “胃底多发 MP，直径 0.2-0.3cm”，即 “胃底有多个增生性息肉，大小 0.2-0.3 厘米”。
（2）支气管镜 / 喉镜：可能为「中叶（Middle Lobe）」
核心含义：在呼吸道内镜检查中，“MP” 可能指代肺部 “中叶”（如右肺中叶 Middle Lobe），用于标注病变位置，而非息肉类型。
场景示例：支气管镜报告 “MP 开口处黏膜充血”，即 “右肺中叶开口处黏膜有充血表现”。