在PyTorch中，DataLoader确实是用来加载数据集的，它可以处理各种复杂的数据读取、批处理和多线程加载等操作。通常，我们将一个继承自torch.utils.data.Dataset的自定义数据集类实例传递给DataLoader。这个自定义数据集类需要实现__getitem__和__len__方法。
Dataset类和DataLoader
__getitem__方法应当返回一组数据。对于分类问题，这通常是图像和标签的元组（img, label）。但PyTorch完全允许__getitem__返回更复杂的数据结构，例如包含多个相关信息的元组（img, label, additional_info）。
对于您提到的dset_train包含图像(imgs)、标签(labels)和额外信息(lesions)的情况，这意味着您的自定义Dataset类的__getitem__方法返回了一个三元素的元组。这是完全可行的，而且DataLoader能够正确地处理这种情况。
当DataLoader迭代您的数据集时，它会自动地将这些元组集合成批次。如果__getitem__返回了一个三元素的元组，那么每个批次将是由三个元素组成的元组，每个元素都是一个批次大小的张量或列表。具体来说，如果您的__getitem__方法返回的是（img, label, lesion），那么通过DataLoader迭代时得到的每个元素将会是类似（batch_imgs, batch_labels, batch_lesions）的形式，其中每个batch_前缀的变量都包含了整个批次的数据。
示例
假设您的自定义Dataset类是这样实现的：
class CustomDataset(Dataset):
def __init__(self, ...):
# 初始化，加载数据集等
pass
def __getitem__(self, index):
# 假设这里正确地加载并处理了数据
img = ... # 加载图像
label = ... # 加载标签
lesion = ... # 加载病变信息
return img, label, lesion
def __len__(self):
# 返回数据集的总大小
return dataset_size
然后，您可以这样使用DataLoader：
dataset = CustomDataset(...)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)
for batch_imgs, batch_labels, batch_lesions in dataloader:
# 在这里，batch_imgs, batch_labels, batch_lesions 都是批量的数据
# 您可以直接在您的模型训练循环中使用它们
pass
这样，即使您的数据集中包含了额外的信息（如lesions），使用DataLoader也能够有效地加载和批处理数据。