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9263 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：

1. 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。
2. 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。
3. 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。

数据集概览：

标签信息：

adenomatous

hyperplastic

数据集下载地址

yolo v11：https://download.csdn.net/download/pbymw8iwm/92465801

yolo v9: https://download.csdn.net/download/pbymw8iwm/92465808

yolo v8: https://download.csdn.net/download/pbymw8iwm/92465814

yolo v7: https://download.csdn.net/download/pbymw8iwm/92465817

yolo v5: https://download.csdn.net/download/pbymw8iwm/92465975

coco json：https://download.csdn.net/download/pbymw8iwm/92466192

yolo darknet：https://download.csdn.net/download/pbymw8iwm/92466188

pascal voc xml：https://download.csdn.net/download/pbymw8iwm/92466185

技术与临床前景：推动消化道早癌筛查智能化

从技术与临床价值双维度看，本数据集的应用前景显著：

• 技术层面：填补当前息肉分型数据集规模小、标注精度低的缺口 —— 现有公开数据集多聚焦 “息肉有无检测”，缺乏分型标注，而本数据集针对性解决 “腺瘤性 vs 增生性” 区分难题，可推动细分领域算法突破，尤其助力小样本学习、半监督学习等技术在医疗场景的落地，进一步降低算法对大规模标注数据的依赖。
• 临床层面：助力消化道早癌筛查普及 —— 据《中国早期胃癌筛查及内镜诊治共识》，腺瘤性息肉若未及时干预，5-10 年内癌变风险超 10%；本数据集支撑的 AI 模型可提升基层医院息肉分型效率，缩短诊断时间（从传统人工判断 5-10 分钟 / 例缩短至 1 分钟内），推动早筛下沉至社区医院，降低晚期胃癌 / 结直肠癌发生率。
• 产业层面：赋能医疗 AI 生态建设 —— 可作为医疗 AI 企业、高校科研团队的标准化数据资源，加速 “消化内镜 AI 辅助诊断” 产品研发，同时为后续拓展 “息肉恶性程度分级”“治疗方案推荐” 等更复杂任务奠定数据基础，推动消化道疾病 AI 诊疗全链条发展。

未来，数据集还将进一步扩充 “息肉合并炎症”“多发息肉” 等复杂场景样本，并新增病理切片与内镜图像的关联标注，为 “内镜 - 病理联合诊断” AI 模型研发提供更全面的数据支撑。