摘要：该子宫内膜病理组织学图像数据集包含3,302张（H&E）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（H&E）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H&E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
