dsrestrepo/cbis-ddsm-datathon-224

CBIS-DDSM Dataset (224px resolution) / Dataset CBIS-DDSM (resolución 224px)

English

Dataset Description

This folder contains a simplified CBIS-DDSM dataset prepared for the Medical AI Datathon. It includes resized full mammograms and one compact labels.csv file.

Original dataset: https://www.cancerimagingarchive.net/collection/cbis-ddsm/

Structure

CBIS-DDSM-clean/
├── images/
├── labels.csv
└── README.md

The image column contains only the PNG filename inside images/.

Files

• images/: resized full mammogram PNG images.
• labels.csv: labels and task-relevant metadata.
• README.md: this file.

Main Variables

• image: image filename inside images/.
• split: train/test split from the original CBIS case files.
• patient_id: patient identifier.
• left_or_right_breast: breast laterality.
• image_view: mammography view, for example CC or MLO.
• abnormality_id: abnormality identifier within a case.
• abnormality_type: mass or calcification.
• assessment: BI-RADS-like assessment score.
• breast_density: breast density category.
• pathology: original pathology label.
• is_malignant: binary label derived from pathology.
• subtlety: subtlety score from the original case description.
• mass_shape, mass_margins: mass-specific descriptors.
• calc_type, calc_distribution: calcification-specific descriptors.
• source_case_csv, source_image_file_path, source_series_instance_uid: provenance columns linking back to the raw CBIS files.

Possible Tasks

• Binary benign vs malignant classification using is_malignant.
• Multiclass pathology classification using pathology.
• Mass vs calcification classification using abnormality_type.
• Assessment prediction using assessment.
• Subgroup analysis using view, laterality, breast density, or abnormality type.

Loading Example

from pathlib import Path
import pandas as pd
from PIL import Image

root = Path("PATH-TO-DATASET/CBIS-DDSM-clean")
labels = pd.read_csv(root / "labels.csv")
image = Image.open(root / "images" / labels.loc[0, "image"])

Español

Descripción del Dataset

Esta carpeta contiene una versión simplificada de CBIS-DDSM preparada para el Medical AI Datathon. Incluye mamografías completas redimensionadas y un archivo compacto labels.csv.

Dataset original: https://www.cancerimagingarchive.net/collection/cbis-ddsm/

Estructura

CBIS-DDSM-clean/
├── images/
├── labels.csv
└── README.md

La columna image contiene solo el nombre del archivo PNG dentro de images/.

Archivos

• images/: mamografías completas redimensionadas en formato PNG.
• labels.csv: etiquetas y metadatos relevantes para las tareas.
• README.md: este archivo.

Variables Principales

• image: nombre del archivo dentro de images/.
• split: partición train/test proveniente de los archivos originales de CBIS.
• patient_id: identificador del paciente.
• left_or_right_breast: lateralidad de la mama.
• image_view: vista mamográfica, por ejemplo CC o MLO.
• abnormality_id: identificador de la anormalidad dentro del caso.
• abnormality_type: masa o calcificación.
• assessment: puntuación tipo BI-RADS.
• breast_density: categoría de densidad mamaria.
• pathology: etiqueta patológica original.
• is_malignant: etiqueta binaria derivada de pathology.
• subtlety: puntuación de sutileza de la descripción original.
• mass_shape, mass_margins: descriptores específicos para masas.
• calc_type, calc_distribution: descriptores específicos para calcificaciones.
• source_case_csv, source_image_file_path, source_series_instance_uid: columnas de procedencia hacia los archivos crudos de CBIS.

Tareas Posibles

• Clasificación binaria benigno vs maligno usando is_malignant.
• Clasificación multiclase de patología usando pathology.
• Clasificación masa vs calcificación usando abnormality_type.
• Predicción de assessment.
• Análisis por subgrupos usando vista, lateralidad, densidad mamaria o tipo de anormalidad.

Ejemplo de Lectura

from pathlib import Path
import pandas as pd
from PIL import Image

root = Path("PATH-TO-DATASET/CBIS-DDSM-clean")
labels = pd.read_csv(root / "labels.csv")
image = Image.open(root / "images" / labels.loc[0, "image"])