IACancer - Skin Lesion Classification & Segmentation Dataset

Este repositorio contiene conjuntos de datos para el entrenamiento, validación y evaluación de modelos de Deep Learning enfocados en la detección, clasificación y segmentación de lesiones cutáneas (cáncer de piel).

📁 Estructura del Repositorio

El dataset está empaquetado en archivos comprimidos (.tar.gz) para una descarga rápida y eficiente, junto con los archivos de metadatos en formato .csv accesibles directamente:

FernandoTerrazas/IACancer/
├── README.md                          # Ficha técnica y documentación del dataset
├── HAM10000_metadata.csv              # Metadatos clínicos de HAM10000 (edad, sexo, diagnóstico, localización)
├── hmnist_28_28_L.csv                 # Representaciones preprocesadas 28x28 escala de grises
├── hmnist_8_8_RGB.csv                 # Representaciones preprocesadas 8x8 RGB
├── hmnist_8_8_L.csv                   # Representaciones preprocesadas 8x8 escala de grises
├── Oficial.tar.gz                     # Imágenes originales clasificadas por patología (AK, BCC, MEL)
├── Oficial_Mascaras.tar.gz            # Máscaras binarias asociadas a las imágenes originales
├── Oficial_Segmentado.tar.gz          # Imágenes segmentadas aplicando las máscaras
├── Oficial_UNet_Segmentado.tar.gz     # Segmentaciones generadas mediante modelo U-Net
├── Oficial_Modelo1_Imagenes.tar.gz    # Colección completa de imágenes HAM10000 (part_1 y part_2)
└── Oficial_Modelo1_Segmentado.tar.gz  # 10,015 máscaras de segmentación de lesiones HAM10000

---

🏷️ Clases Diagnósticas

Para los subconjuntos clasificados (Oficial, Oficial_Mascaras, Oficial_Segmentado, Oficial_UNet_Segmentado):

Etiqueta	Nombre Clínico	Descripción
AK	Queratosis Actínica / CEC in situ	Lesión premaligna común originada por daño solar acumulado.
BCC	Carcinoma Basocelular	El tipo más frecuente de cáncer de piel, de crecimiento lento.
MEL	Melanoma	Neoplasia maligna de melanocitos, de alto potencial metastásico.

---

🚀 Cómo Descargar y Usar en Python

1. Descargar y extraer un conjunto específico

import tarfile
from huggingface_hub import hf_hub_download

# Descargar el archivo comprimido deseado
archive_path = hf_hub_download(
    repo_id="FernandoTerrazas/IACancer",
    filename="Oficial.tar.gz",
    repo_type="dataset"
)

# Extraer el contenido en la carpeta local './data'
with tarfile.open(archive_path, "r:gz") as tar:
    tar.extractall(path="./data")

print("Dataset extraído exitosamente en ./data/Oficial")

2. Descargar todos los conjuntos del repositorio

from huggingface_hub import snapshot_download
import tarfile
from pathlib import Path

# Descargar el repositorio completo
local_dir = Path("./downloaded_dataset")
snapshot_download(
    repo_id="FernandoTerrazas/IACancer",
    repo_type="dataset",
    local_dir=local_dir
)

# Extraer todos los archivos .tar.gz
for tar_file in local_dir.glob("*.tar.gz"):
    print(f"Extrayendo {tar_file.name}...")
    with tarfile.open(tar_file, "r:gz") as tar:
        tar.extractall(path=local_dir)

---

🔬 Citación y Reconocimientos

Este conjunto incluye datos del repositorio HAM10000 ("Human Against Machine with 10000 training images"):

• Tschandl, P., Rosendahl, C. & Kittler, H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data 5, 180161 (2018). https://doi.org/10.1038/sdata.2018.161