摘要HAM正常皮肤图像增强数据集是在著名的HAM10000人类对抗恶性肿瘤10000皮肤镜图像数据集基础上扩展而来的增强版皮肤病变分类数据集通过添加正常皮肤图像类别normal并对所有类别进行数据平衡处理形成包含八个类别、每类6660张图像、总计53,280张图像的大规模平衡数据集。数据集简介数据集概述HAM正常皮肤图像增强数据集是在著名的HAM10000人类对抗恶性肿瘤10000皮肤镜图像数据集基础上扩展而来的增强版皮肤病变分类数据集通过添加正常皮肤图像类别normal并对所有类别进行数据平衡处理形成包含八个类别、每类6660张图像、总计53,280张图像的大规模平衡数据集。原始HAM10000数据集包含七种常见皮肤病变类型光化性角化病/鲍温病akiec、基底细胞癌bcc、良性角化病变bkl、皮肤纤维瘤df、黑色素瘤mel、黑色素细胞痣nv和血管病变vasc涵盖良性和恶性皮肤疾病。该增强版数据集通过添加正常皮肤类别解决了原始数据集类别不平衡问题并增强了模型区分正常皮肤与病变皮肤的能力为皮肤癌早期筛查、皮肤病智能诊断和计算机辅助检测系统提供了更加完善和实用的训练数据基础。数据结构与关键特征数据集采用标准图像分类格式包含八个类别目录每个类别目录包含6660张皮肤镜图像实现完全平衡的类别分布总计53,280张图像。关键特征包括类别平衡性通过数据增强技术如旋转、翻转、色彩变换等方式扩充少数类样本至6660张、新增正常皮肤基线类别为二分类和多分类任务提供健康皮肤参照、多样化的病变形态学特征色素沉着、边界清晰度、不对称性、颜色多样性、以及皮肤镜成像的高分辨率细节毛细血管、色素网络、角质层等微观结构。数据集涵盖从良性病变bkl、df、nv到恶性肿瘤mel、bcc再到癌前病变akiec的完整疾病谱系同时包含血管性病变vasc和正常皮肤对照normal为构建临床实用的皮肤病AI诊断系统提供了全面的训练样本。数据增强处理不仅解决了原始HAM10000数据集中黑色素瘤mel和光化性角化病akiec样本不足的问题还通过引入正常皮肤类别使模型能够学习”无病变”的特征表示提升了在真实临床筛查场景中的特异性和准确性。应用价值与研究方向数据集在智能皮肤病诊断、皮肤癌早期筛查、远程医疗和计算机辅助诊断系统开发领域具有重要应用价值可用于构建皮肤镜图像自动分类系统、黑色素瘤智能识别平台、移动端皮肤病自检APP、远程皮肤科会诊工具以及基层医疗筛查辅助系统。研究方向包括基于深度学习的多类别皮肤病变分类算法ResNet、EfficientNet、Vision Transformer、类不平衡问题处理技术验证、迁移学习与预训练模型微调、注意力机制在病变特征定位中的应用、良恶性病变鉴别诊断模型、多任务学习同时进行分类和分割、可解释性AI技术用于诊断依据可视化Grad-CAM、SHAP、以及联邦学习在隐私保护医学影像分析中的应用。正常皮肤类别的加入使数据集特别适合研究二分类任务病变vs正常与多分类任务的性能对比、正常皮肤基线对模型特异性的影响、以及在真实临床筛查流程中降低假阳性率的策略。此外该数据集还可支持少样本学习、域适应、跨数据集泛化等前沿研究并可扩展至其他医学影像分类任务。在全球皮肤癌发病率持续上升、皮肤科医生资源分布不均的背景下该数据集为推动AI辅助皮肤癌筛查技术普及、提升早期诊断率、改善患者预后、降低医疗成本提供了重要的数据支撑和技术基础。数据集来源原始数据集来源HAM10000 (Human Against Machine with 10000 training images)。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。数据集信息免责声明与引用数据仅用于科研与教学用途。若用于商业场景请自行核验数据许可。如需引用请在论文或报告中注明数据集名称与版本号。作者信息作者Bob (张家梁)项目编号Datasets-189文件大小5.4G原创声明本数据集为整理作品