子宫内膜病理组织学:HE染色的子宫内膜病理组织学图像数据集 摘要该子宫内膜病理组织学图像数据集包含3,302张HE染色的子宫内膜组织病理学图像专门用于子宫内膜疾病的计算机辅助诊断研究。数据集概述该子宫内膜病理组织学图像数据集包含3,302张HE染色的子宫内膜组织病理学图像专门用于子宫内膜疾病的计算机辅助诊断研究。数据集源自IEEE生物医学与健康信息学杂志发表的研究该研究提出了注意力增强卷积神经网络HIENet用于自动化子宫内膜组织分类。数据集涵盖四个主要诊断类别正常子宫内膜1,333张包含卵泡期、黄体期和月经期的生理亚型、子宫内膜息肉636张、子宫内膜增生798张包含单纯性和复杂性亚型以及子宫内膜腺癌535张为开发和评估深度学习模型提供了具有临床意义的基准数据。数据结构与关键特征据集采用四分类层次结构组织每个主类别下包含具有临床意义的亚类别其中正常子宫内膜细分为卵泡期712张、黄体期600张和月经期21张子宫内膜增生细分为单纯性增生516张和复杂性增生282张。所有图像均为JPEG格式的HE染色组织病理学切片捕获了子宫内膜组织的微观形态学特征。类别分布呈现一定的不平衡性正常类别占比最高40.4%腺癌类别最少16.2%这种分布反映了临床实际情况。原始研究建议在数据划分时考虑患者级别的分割策略避免同一患者的图像同时出现在训练集和测试集中从而防止数据泄漏并提供更真实的模型泛化性能评估。应用价值与研究方向该数据集在妇科病理学计算机辅助诊断领域具有重要的研究价值为自动化子宫内膜疾病分类和良恶性病变鉴别提供了标准化基准。研究方向包括卷积神经网络和轻量级架构设计、注意力机制与视觉Transformer应用、迁移学习与ImageNet预训练模型微调、可解释性AI如Grad-CAM特征可视化、不确定性估计、测试时增强TTA、自监督与半监督学习等。原始研究中的HIENet模型在四分类任务中达到76.91%的准确率和0.9579的AUC腺癌检测为后续研究提供了性能参考基线。该数据集有助于推动病理图像分析的自动化、提高子宫内膜癌早期筛查效率并为病理学家提供智能辅助诊断工具在精准医疗和数字病理学领域具有广阔的应用前景。数据集来源由张家梁(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-312文件大小197M原创声明本数据集为整理作品