ImageCHD — 首个先心病三维CT分类数据集·110例心脏CT与7类亚结构分割

INFOBOX — ImageCHD 一屏速览

维度	内容
本质	首个面向先天性心脏病（CHD）分类的公开三维 CT 影像数据集（非挑战赛，MICCAI 2020 论文发布）
发布	MICCAI 2020（LNCS 12264, pp 77-87）；arXiv:2101.10799（2021 预印本）
规模	110 例 3D CT；512×512×(129-357)；典型体素 0.25×0.25×0.5mm³
设备	Siemens Biograph 64 扫描仪；患者 1 个月-40 岁（多数 1 个月-2 岁）
分割标签	7 类心脏亚结构：LV=1 / RV=2 / LA=3 / RA=4 / Myo=5 / AO=6 / PA=7（其余值如 14 忽略）
分类标签	16 类 CHD：常见 8 类 + 少见 8 类（含 Normal）
标注团队	四名心血管放射科医生；每图分割 1 人、诊断 4 人共同确认；每图约 1-1.5 小时
基线结果	分类 82.0% @ 88.4% coverage（selective prediction，允许弃权）
获取	GitHub 仓库 + Kaggle 公开下载（kaggle.com/xiaoweixumedicalai/imagechd，约 8.94 GB）
许可	双口径冲突：Kaggle 页 CC BY-NC 4.0 ｜ 论文/第三方 Apache-2.0
库内查重	DB imagechd/chd/congenital 均 0 行，无同名目录，无别名撞库

§0 导读：这个数据集解决什么问题

先天性心脏病（Congenital Heart Disease, CHD）是最常见的出生缺陷类型：在美国，每 110 个新生儿中就有 1 例（论文原文口径，源自美国 CDC 长期统计数据）。与许多疾病「局部组织改变」不同，CHD 的核心特征表现在心脏整体结构的严重变异——心腔位置、大血管连接方式、间隔缺损形态等宏观几何关系的错乱。这类改变的识别高度依赖专科医生的空间想象力与经验，人工阅片耗时且难以规模化。

正是在这一背景下，ImageCHD 于 MICCAI 2020 被提出，其定位相当清晰：填补「CHD 自动诊断缺乏公开数据集」的空白。论文开篇即指出，由于 CHD 的复杂性与数据稀缺，「little has been explored on the automatic diagnosis (classification) of CHDs」（对 CHD 自动诊断的探索极少）。ImageCHD 的贡献因此是双重的：

1. 数据层面——首次公开一个覆盖多数 CHD 类型的 110 例三维 CT 数据集，并附带 7 类心脏亚结构的体素级分割标签；
2. 方法层面——基于一个当时最先进的 CHD 分割方法搭建分类基线框架，用实验结果向社区说明「这个问题的难度」。

而基线结果本身就是一份诚实的难度声明：即使在允许选择性预测（selective prediction，模型可对不确定样本弃权）的宽松设定下，基线也只能做到 82.0% 准确率 @ 88.4% 覆盖率，换言之还有 11.6% 的样本模型直接放弃作答。作者在摘要结尾明说「leaving big room for further improvement」——留有很大改进空间。

对 AI-Ready 数据集的检索者而言，ImageCHD 的价值在于它是一个**「小样本 × 大结构变异 × 多标签不均衡」的困难基准**：它不像病理切片数据集那样以「量」取胜，而是以「结构复杂度的极端性」见长。它适合用来测试三维医学影像模型在全局几何推理上的能力边界，而不是用来堆训练数据。

§1 数据集速览：十问十答

Q1：ImageCHD 是什么？
一个面向先天性心脏病（CHD）分类的公开三维 CT 医学影像数据集，包含 110 例心脏 CT 及配套的分割与诊断标签。官方定位为「首个用于 CHD 分类的医学影像数据集」（the first medical image dataset for CHD classification）。

Q2：有多少数据？
110 例三维 CT 图像。每例图像尺寸为 512×512×(129-357)，深度方向层数因病例而异；典型体素大小为 0.25×0.25×0.5 mm³。

Q3：数据从哪来？
由 Siemens Biograph 64 扫描仪采集，患者年龄从 1 个月到 40 岁，绝大多数集中在 1 个月到 2 岁（即先心病手术的高发年龄段）。

Q4：有哪些标签？
两类：(1) 分割标签——7 类心脏亚结构，编号固定为 LV=1、RV=2、LA=3、RA=4、Myo=5、AO=6、PA=7；(2) 诊断分类标签——16 种 CHD 类型。

Q5：覆盖哪些先心病类型？
16 类。常见 8 类：ASD（房间隔缺损）、AVSD（房室间隔缺损）、VSD（室间隔缺损）、TOF（法洛四联症）、PDA（动脉导管未闭）、TGA（大动脉转位）、CA（主动脉缩窄）、PuA（肺动脉闭锁）；少见 8 类：Normal（正常）、PAS（肺动脉吊带）、DORV（右心室双出口）、CAT（总动脉干）、DAA（双主动脉弓）、APVC（异常肺静脉引流）、AAH（主动脉弓发育不全）、IAA（主动脉弓离断）、DSVC（双上腔静脉）。

Q6：谁标注的？
一支四名心血管放射科医生组成的团队。每张图像的分割标签由一名医生独立完成，诊断则由四名医生共同确认。每张图像的标注时间平均约 1-1.5 小时。

Q7：能用来做什么任务？
主要有两个：(1) CHD 自动分类（16 类）；(2) 心脏亚结构语义分割（7 类）。两种任务常被联合使用——分割作为分类的前置结构解析。

Q8：基线效果如何？
分类基线在选择性预测方案下达到 82.0% 准确率 @ 88.4% 覆盖率。作者明确表示这一结果「leaving big room for further improvement」，即远未饱和。

Q9：怎么获取？
两条路径：GitHub 仓库（github.com/XiaoweiXu/ImageCHD-…，提供文档与说明）与 Kaggle（kaggle.com/datasets/xiaoweixumedicalai/imagechd，公开可直接下载，约 8.94 GB，13 个文件的分卷压缩包）。

Q10：许可是什么？
这是一个需要格外小心的问题——存在双口径冲突：Kaggle 数据集页面当前实标 CC BY-NC 4.0（署名-非商业性使用），而论文与部分第三方引用写的是 Apache License 2.0。检索者若涉及商业用途，必须以 Kaggle 实际页面为准，详见 §6。

§2 数据构成与规格

2.1 规模、来源与设备

ImageCHD 的全部数据都是在同一个中心、用同一台设备采集的：Siemens Biograph 64 扫描仪。这台设备是西门子的 64 排 PET/CT 系统，用于心脏 CT 血管成像（CTA）扫描。论文与仓库对采集参数的披露相对克制，可确证的硬数字如下：

维度	数值	说明
病例数	110 例	覆盖 CHD 大多数类型
年龄范围	1 个月 - 40 岁	绝大多数集中于 1 个月 - 2 岁
图像尺寸	512 × 512 × (129-357)	前两维固定，深度方向（层数）随病例变化
典型体素大小	0.25 × 0.25 × 0.5 mm³	面内分辨率高、层厚较厚（各向异性）
扫描设备	Siemens Biograph 64	单一中心、单台设备
数据类型	3D CT 体数据	三维体素网格

年龄分布的现实解读：1 个月到 40 岁的跨度看似很大，但数据集中在 1 个月-2 岁区间。这与 CHD 的临床现实一致——先心病多在婴幼儿期确诊并接受手术，因此影像学检查也集中在这一年龄段。少数成年病例的存在，说明数据集纳入了存活至成年的先心病患者（如部分轻症或术后随访者），但主体仍是婴幼儿心脏。

体素各向异性的注意点：0.25×0.25×0.5 mm³ 意味着面内（in-plane）分辨率是层厚方向的 2 倍。做三维卷积或体素级分割时，必须考虑 Z 轴采样率不同，直接各向同性重采样会引入插值误差。许多下游研究选择沿深度轴切成 2D 切片处理（见 §5），正是对这一特性的工程妥协。

2.2 心脏亚结构分割标签体系

ImageCHD 的分割标签采用整数编码的 7 类子结构，编号在官方 README 中明确规定，使用时应严格遵循：

标签值	英文名	中文名	缩写
1	Left Ventricle	左心室	LV
2	Right Ventricle	右心室	RV
3	Left Atrium	左心房	LA
4	Right Atrium	右心房	RA
5	Myocardium	心肌	Myo
6	Aorta	主动脉	AO
7	Pulmonary Artery	肺动脉	PA

关键使用约定：官方 README 特别提醒——「You notice other labels such 14 etc., you can just ignore them as they are labels corresponding to airways etc.」（你可能会看到 14 等其它标签值，直接忽略即可，它们对应气道等结构）。这意味着分割掩码中除 1-7 之外的所有标签值都非心脏亚结构，训练时应通过 mask = mask * (mask <= 7) 之类的方式过滤，否则会引入噪声类别。

这套标签的设计意图：从结构选择上能看出面向 CHD 的用心——CHD 的核心病变往往就发生在心室-心房连接、大血管起源与连接这些位置。选择 LV/RV/LA/RA 四大腔室 + 心肌 + 主动脉 + 肺动脉这 7 类，恰好覆盖了判断 CHD 类型所需的关键解剖锚点。例如 TOF（法洛四联症）需要观察右心室流出道与肺动脉（PA）、主动脉（AO）的相对位置；TGA（大动脉转位）需要观察 AO 与 PA 的起源心室是否互换——这些判断都建立在对上述结构的分割之上。

2.3 诊断分类标签体系：16 类 CHD

除分割标签外，每例还带有 CHD 诊断分类标签，共 16 类。论文 Table 1 将其分为「常见（Common）」与「少见（Less Common）」两组，并给出各类的对应图像数：

常见 8 类：

缩写	英文全称	中文名	图像数
ASD	Atrial Septal Defect	房间隔缺损	32
AVSD	Atrioventricular Septal Defect	房室间隔缺损	18
VSD	Ventricular Septal Defect	室间隔缺损	44
TOF	Tetralogy of Fallot	法洛四联症	12
PDA	Patent Ductus Arteriosus	动脉导管未闭	14
TGA	Transposition of the Great Arteries	大动脉转位	5
CA	Coarctation of the Aorta	主动脉缩窄	6
PuA	Pulmonary Atresia	肺动脉闭锁	16

少见类（论文 Table 1 实际列 9 项）：

缩写	英文全称	中文名	图像数
Normal	Normal Heart	正常心脏	3
PAS	Pulmonary Artery Sling	肺动脉吊带	8
DORV	Double Outlet Right Ventricle	右心室双出口	4
CAT	Common Arterial Trunk	总动脉干（永存动脉干）	5
DAA	Double Aortic Arch	双主动脉弓	6
APVC	Anomalous Pulmonary Venous Connection	异常肺静脉引流	3
AAH	Aortic Arch Hypoplasia	主动脉弓发育不全	3
IAA	Interrupted Aortic Arch	主动脉弓离断	8
DSVC	Double Superior Vena Cava	双上腔静脉	6

必须理解的计数陷阱：把上面所有数字加起来是 32+18+44+12+14+5+6+16+3+8+4+5+6+3+3+8+6 = 193，远大于 110。原因论文注明得很清楚——「Note that some images may correspond to more than one type of CHD」（有些图像可能对应多于一种 CHD 类型）。一张图可以打多个诊断标签，例如一位 TOF 患者可能同时合并 ASD，因此分类任务的标签本质上是**多标签（multi-label）**而非单标签多类。任何试图把 16 类当作互斥 softmax 类别求和的做法都是误读。

存照（论文 Table 1 排版口径）：论文把「Less Common CHD」作为行标题，但该行实际列出了 Normal 加 8 种少见 CHD 共 9 项。Normal（正常心脏）被归入「少见」在临床表述上略显别扭，属论文表格组织方式，存照待核。

2.4 类别分布的严重不均衡

把 16 类的图像数画成柱状图，分布的偏斜一目了然：

• 头部类别：VSD（44）、ASD（32）——两者合计占全部标注次数的近四成；
• 中部类别：AVSD（18）、PuA（16）、PDA（14）、TOF（12）；
• 尾部类别：PAS（8）、IAA（8）、CA（6）、DAA（6）、DSVC（6）、TGA（5）、CAT（5）、DORV（4）、Normal（3）、APVC（3）、AAH（3）。

最少的类别只有 3 例（Normal / APVC / AAH），而最多的 VSD 有 44 例，头尾比接近 15:1。叠加 110 例的总量，这意味着尾部类别在训练时每个类别平均只能见到个位数样本。对深度学习而言，这是一个极易发生长尾过拟合的分布。

研究者的应对策略（下游论文的常见做法）：(1) 把 16 类合并为少数大类（如「间隔缺损类 / 圆锥动脉干畸形类 / 大血管异常类 / 主动脉弓异常类」）；(2) 只做二分类（有病 vs 正常）；(3) 采用重采样、类别加权损失（class-weighted loss）或 focal loss；(4) 使用选择性预测，让模型对不确定的尾部类别弃权。论文自带的基线正是采用了第 (4) 种思路（见 §4）。

2.5 数据集大小与文件组织

Kaggle 页面显示，数据集由 13 个文件、共约 8.94 GB 组成，采用分卷压缩包形式：

• ImageCHD_dataset.change2zip（约 129.07 MB，Displayed，实为分卷的首段）
• ImageCHD_dataset.z01 至 ImageCHD_dataset.z12（共 12 个后续分卷）

官方说明：「Actually Zip files. Change the ‘change2zip’ to zip and unzip all the files together.」（实际上都是 zip 文件，把 change2zip 后缀改成 zip，然后和其他分卷一起解压）。

解压踩坑提示：(1) 分卷压缩需要所有 13 个文件齐全后再解压，缺一卷会失败；(2) 首卷改名后必须与 .z01-.z12 同目录；(3) 解压后数据量会显著大于 8.94 GB（压缩比通常 1.5-3 倍，110 例 3D CT 解压后预计在 15-25 GB 量级）。存储规划时务必预留空间。

2.6 与相邻数据集的规模对照

ImageCHD 只有 110 例，从绝对规模看属于小数据集。论文自己也承认这一点，但给出了「of decent size compared with existing medical imaging datasets」的相对定位——即在与同类型的心脏三维影像数据集比较时，110 例尚属合理。需要理解的是：先心病三维 CT 的公开数据集本就稀缺，ImageCHD 是第一个面向 CHD 分类的数据集，其「首发性」比「规模」更具意义。

§3 标注流程：四名心血管放射科医生如何生产标签

3.1 标注团队结构

ImageCHD 的标注由一支四名心血管放射科医生组成的团队完成。其分工有明确的双层结构：

• 分割层：每张图像的分割标签仅由一名放射科医生完成（单标注者模式）；
• 诊断层：每张图像的诊断分类由四名医生共同完成（多人共识模式）。

这一设计反映了论文团队对两类任务难度差异的判断——分割是相对客观的像素级描画（单个有经验的医生即可稳定完成），而诊断是主观性更强的分类判断（需要多人交叉验证以降低个体偏倚）。这与病理、皮肤等领域的标注共识一致：越靠近「诊断命名」的任务，越需要多专家共识。

3.2 标注工作量与成本

腾讯云开发者社区的技术解读文章转述论文口径：每张图像的标注时间平均约 1-1.5 小时。若按 110 例、每例 1-1.5 小时估算，仅分割标签的专家时间投入就在 110-165 小时量级（约合 14-21 个工作日），且全部由心血管放射科专科医生完成——人力成本极高。

这正是 ImageCHD 这类数据集规模受限的根本原因：三维体素级分割（而非二维轮廓或分类标签）是标注成本最高的任务形态之一，110 例已属该成本约束下的可观产出。

3.3 诊断信息的后续修正

数据集还有一个值得记录的质量维护事件：2021 年 5 月 10 日，诊断信息（diagnosis info）被更新。仓库 README 原话：「Update May 10th 2021: The diagnosis info of the dataset is updated (thanks to the help of Kadirbarut from Bilgiuzayi). Please check the xlsx file in the download dataset for more details.」

这说明：(1) 原始发布的诊断标签存在需要修正之处；(2) 贡献者 Kadirbarut（Bilgiuzayi） 发现并推动了修正；(3) 修正后的完整诊断明细写在下载包内的 xlsx 文件中——研究者必须查阅该 xlsx，而不能仅依赖论文 Table 1 的汇总计数。这提醒使用者：以最新的数据包内 xlsx 为诊断标签的唯一权威来源。

3.4 标注质量的隐含边界

ImageCHD 的标注方案有两个必须向使用者明示的边界：

1. 单医生分割——没有第二人复核分割标签，因此分割掩码的边界一致性未经交叉验证，可能存在个体标注风格差异；
2. 缺少标注一致性指标——论文未报告分割标注的观察者间一致性（inter-observer agreement，如 Dice 或 IoU 的标注者间变异），使用者无法量化分割标签本身的噪声水平。

这两点是 ImageCHD 作为「AI-Ready 数据集」的短板：它提供了标签，但未提供标签可靠性的量化证据。在把它当作 ground truth 训练或评测时，应把分割标签视为「单专家参考」而非「金标准共识」。相比之下，一些后期数据集（如 PANDA-PLUS）会显式报告标注一致性统计——这是数据集成熟度演进的方向。

3.5 与其它标注模式的对照

把 ImageCHD 的标注模式放入医学影像标注的方法谱系中，可以看清它的位置：

标注模式	代表	标注者	一致性验证	成本
单专家分割	ImageCHD（分割）	1 名放射科医生	无	中
多专家共识诊断	ImageCHD（诊断）	4 名医生	多人确认	高
学生+专家终审	PANDA-PLUS	学生+专家	分层复核	中低
众包+质控	部分病理数据集	众包工人	抽样复核	低

ImageCHD 在分割上采取成本优先的单专家模式，在诊断上采取质量优先的多专家共识模式——这是一个按任务价值分配标注资源的务实设计，值得后来的数据集建设者参考。

§4 CHD 分类任务与基线框架

4.1 为什么 CHD 分类对机器视觉特别困难

论文用一句话点出了问题的本质：「Classification of CHDs requires the identification of large structural changes without any local tissue changes」（CHD 分类需要识别的是大规模结构改变，而不伴随任何局部组织改变）。

这句话道破了 CHD 分类与传统医学图像分类的根本差异：

• 肿瘤/病灶检测类任务：目标是一个局部区域出现异常（一个结节、一块斑片），卷积网络通过局部感受野逐层堆叠就能捕捉，与自然图像分类的范式高度相似；
• CHD 分类任务：异常体现在全局的解剖几何关系上——心室到底是左还是右、主动脉从哪里发出、大血管是否交叉。没有任何一个局部的像素块能单独指示 CHD 类型，必须建立整个心脏的空间构型（configuration）才能判断。

这就是论文所说的「an example of a larger class of problems that are quite difficult for current machine-learning-based vision methods to solve」（是当前基于机器学习的视觉方法很难解决的一类更普遍问题的例子）。它把 CHD 分类上升为**「全局结构关系推理」这一类更大问题的代表——这类问题的困难在于：局部特征几乎无用，模型必须学会推理部件之间的相对位置与连接关系**。

4.2 基线框架的构造

面对这一困难，论文采取的基线策略是**「先分割、后分类」的两阶段框架**：

1. 第一阶段——分割：使用一个当时最先进的 CHD 心脏分割方法，把心脏 7 类亚结构从 CT 中分割出来；
2. 第二阶段——分类：在分割结果（结构掩码或其派生特征）之上，构建 CHD 分类器。

这一设计的逻辑是：既然分类难在「结构关系」，那就先把结构显式解析出来（分割），再在结构化的表示上做分类——把「从像素直接猜类型」转化为「从结构构型判类型」。这是医学影像中常见的**「解剖先验注入」**思路：不让网络从原始像素硬学几何，而是人为提供解剖结构的显式中间表示。

论文强调基线是「based on a state-of-the-art CHD segmentation method」——即分割阶段不是从零搭建，而是复用了一个已有的、性能较强的 CHD 分割方案，以此把变量控制在分类环节。

4.3 核心结果：82.0% @ 88.4% coverage

基线的分类结果采用**选择性预测（selective prediction）**方案报告：

指标	数值
分类准确率	82.0%
覆盖率（coverage）	88.4%

选择性预测是什么：模型不仅输出预测类别，还输出一个置信度；当置信度低于阈值时，模型选择弃权（abstain），把样本交给人工。coverage 就是模型愿意作答的样本比例（88.4%），accuracy 是在这些作答样本上的准确率（82.0%）。剩下 11.6% 的样本模型直接放弃。

如何解读这两个数字：

• 不能简单理解为「模型准确率 82%」——这是「只在 88.4% 有把握的样本上达到 82%」的结果，等价于模型对近 12% 的样本「完全没把握」；
• 换算是极具警示性的：如果把弃权样本也计入，整体准确率的上界是 0.884 × 0.820 ≈ 72.5%；更现实地说，弃权的 11.6% 若视为错误，则模型端到端准确率甚至更低。这恰恰是作者想说清的——问题远未解决；
• 这是一个「难度宣言」而非「性能炫耀」：论文用 82.0% 这个不算高的数字，配合 selective prediction 的宽松设定，向社区传递「CHD 自动分类仍是开放难题」。

4.4 混淆矩阵（论文 Table 2）

论文 Table 2 给出了分类的详细混淆矩阵，格式为「（ground truth 行）×（predicted 列）」，每格记两个数 X, Y，其中 X 为自动分类计数、Y 为人工分类计数，另有 U（Uncertain，弃权）列。类别编号 1-16 对应 CHD 类型，N 为 Normal。可读出的若干模式：

• ASD（1）行：18,24——自动与人工在 ASD 上分歧明显；
• VSD（3）行：7,10——VSD 样本在自动/人工间存在系统性差异；
• PuA（15）行：14,10，且该行延伸出 0,2 / 0,1 等散点——说明 PuA 易与相邻类型混淆；
• Normal（N）行：4,6——连「正常」都难以稳定判定；
• 大量 U 列计数（如 AVSD 行 3,0、TGA 行 5,5 等）——选择性预测的弃权样本集中出现在难分类别上。

这个矩阵的研究价值：它揭示了 CHD 分类中最容易混淆的类对（如 ASD/VSD、PuA 与其它圆锥动脉干畸形），为后续研究指明「哪些类需要专门的解耦策略」。同时它也暴露：人工诊断本身在这些类上也不一致（X 与 Y 的差异），说明 CHD 分类的困难不只是模型问题，也包含标注/诊断本身的固有分歧。

§5 心脏亚结构分割任务与评估

5.1 分割任务的设定

ImageCHD 的第二个核心任务是 7 类心脏亚结构的体素级语义分割：为 CT 体数据中的每个体素预测其归属结构（LV/RV/LA/RA/Myo/AO/PA 或背景），非心脏标签（如 14）在训练时忽略。

论文 Table 3 报告了基线分割方法在六类心腔与大血管起始部子结构 + 血池（blood pool） 上的 Dice 系数均值与标准差（%），用以证明分割阶段的可信度，进而支撑分类阶段。

5.2 Dice 指标的意义

Dice 相似系数（Dice Similarity Coefficient, DSC） 是分割任务最常用的重叠度量：

Dice = 2 × |A ∩ B| / (|A| + |B|)

其中 A 为预测掩码、B 为金标准掩码。取值范围 0-1（或 0-100%），1 表示完全重合。医学图像分割中，Dice > 0.8 通常视为较好，> 0.9 视为优秀（视结构大小与边界清晰度而定）。心脏亚结构中，心室（体积大、边界相对清晰）通常 Dice 较高，而肺动脉起始部、主动脉根部（体积小、与周围血管连续、边界模糊）Dice 偏低。

5.3 分割与分类的耦合关系

ImageCHD 的设计把分割与分类强耦合在一起，理解这一耦合对使用数据集至关重要：

1. 分割是分类的前置：基线的分类依赖分割输出的结构表示，因此分割误差会传导到分类误差；
2. 两者可联合多任务学习：许多下游方法采用多任务框架，共享编码器同时做分割与分类，利用分割的解剖监督提升分类特征的结构感知；
3. 分割标签也可独立使用：即便不做 CHD 分类，7 类心脏亚结构的分割标签本身就是**全心脏分割（whole heart segmentation）**任务的宝贵资源——这类标注在公开数据集中同样稀缺。

5.4 下游研究的实测表现

第三方论文为 ImageCHD 的实际可用性提供了外部证据：

（1）EMJ 2025 左心房分割对比研究（doi:10.12771/emj.2025.00087）：

• 任务：在 ImageCHD 心脏 CT 上比较 UNet / TransUNet / MIST 三种模型对左心房（LA） 的分割；
• 规模：110 例中使用 108 例（2 例因质量问题剔除）；
• 方法：2D 切片提取、统一重采样至 512×512、Dice + HD95 双指标；
• 规范：遵循 TRIPOD+AI 报告指南；计算环境为 Google Colab + NVIDIA L4/T4/V100；
• 伦理声明：明确写「it used only publicly available, de-identified data … licensed under the Apache License 2.0. The dataset was obtained from Kaggle」——这是 Apache-2.0 口径的重要第三方来源（与 Kaggle 页的 CC BY-NC 4.0 冲突，见 §6）。

（2）Stanford BLNM 心脏建模工作（selectdataset 收录，创建 2025-04-29）：

• 聚焦 ImageCHD 中的 TOF（法洛四联症）子集；
• 生成高分辨率心脏解剖网格 + 多尺度电生理仿真；
• 用统计形状建模（statistical shape modeling）与分支潜神经网络（Branched Latent Neural Maps, BLNM） 捕捉解剖与功能的变异性。

（3）腾讯云技术解读（ImageCHD2021 分割教程）：

• 网络：VNet3d；优化器 AdamW，学习率 0.001，batchsize 1，epoch 300；
• 损失：多类 Dice + 交叉熵（CE）联合；
• 数据：固定阈值 (800, max) 分割 + 形态学开操作（核 3）+ 最大连通域提取心脏 ROI；ROI 像素截断 (1,99) 后 z-score 归一化，缩放至固定 256×256×240；
• 划分：训练 100 例 / 验证 10 例，训练集 5 倍数据增强。

这三项下游工作共同证明：ImageCHD 确实被社区实际使用，且其 7 类分割标签是可训练、可复现的。

5.5 官方划分缺失的问题

一个必须向使用者点明的现实：ImageCHD 未提供官方的 train/val/test 划分。论文与仓库都没有规定标准的切分比例，导致不同研究各自划分：腾讯云教程用 100/10，EMJ 2025 用全部 108 例做评估（无固定 test set）。

后果：不同论文报告的 ImageCHD 性能彼此不可直接比较——因为测试集的构成不同，难度不同。当看到某篇论文声称在 ImageCHD 上「达到 95% 分类准确率」时，第一件事应是核查它用了什么划分、测试集是否与训练集有患者级泄漏。这是小数据集缺乏标准划分的通病，也是 ImageCHD 作为基准的一个结构性缺陷。

§6 获取与许可：一个必须小心对待的门

6.1 两条获取路径

路径	地址	内容	状态
GitHub 仓库	github.com/XiaoweiXu/ImageCHD-A-3D-Computed-Tomography-Image-Dataset-for-Classification-of-Congenital-Heart-Disease	README 说明、标签定义、引用、更新记录	公开
Kaggle	kaggle.com/datasets/xiaoweixumedicalai/imagechd	实际大数据本体（约 8.94 GB，13 文件分卷）	公开可直接下载
邮件联系	xiao.wei.xu@foxmail.com	解答问题	作者维护

注意：GitHub 仓库只提供文档与指引，不承载大数据本体。实际下载 110 例 CT 需要通过 Kaggle（2023-11-01 部署）。研究者若只想看标签定义与引用信息，看 GitHub；要拿数据，走 Kaggle。

6.2 Kaggle 数据集页关键信息（抓取 2026-10-08 实测）

• 文件数：13（ImageCHD_dataset.change2zip + .z01-.z12）
• 大小：约 8.94 GB
• License（页面实标）：Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
• Usability（可用性评分）：9.38
• 浏览量：10,600（10.6K）
• 下载量：2,915
• 趋势：30 天内 +363
• 预期更新频率：Annually（每年）
• 社区评价：9 条研究用途反馈中，4 条评价为「Clean data（数据干净）」

6.3 License 双口径冲突：本条目最关键的存照

这是 ImageCHD 条目必须大声说清的一件事——同一个数据集，三处来源给出了两种互斥的许可：

来源	License 口径	类型
Kaggle 数据集页（2026-10-08 实抓）	CC BY-NC 4.0（署名-非商业）	托管平台实际标注
EMJ 2025 论文（doi:10.12771/emj.2025.00087）	Apache License 2.0	第三方学术引用
DicomTube 数据集页	Apache 2.0	第三方收录
本任务头 brief	Apache-2.0	调度材料

冲突的严重性：CC BY-NC 4.0 与 Apache-2.0 在商业使用上的立场截然相反——前者明确禁止商业用途，后者明确允许（Apache-2.0 是宽松的商业友好许可）。若研究者依据论文写「Apache-2.0」而实际托管页是「CC BY-NC 4.0」，用于商业产品将构成许可违约。

处理原则（本文采取的立场）：

1. 以托管平台（Kaggle）的实际标注为准——数据实际分发所在的页面标注具有最强的现实约束力；
2. 完整披露冲突，不单方面采信任一口径；
3. 商用前必须自行核验，并向作者邮件确认；
4. 学术非商业研究用途下，两种口径均允许（CC BY-NC 允许非商业，Apache 允许一切），因此学术使用不受此冲突影响。

冲突成因的合理推测（存疑，见 §9）：可能是作者上传 Kaggle 时选择了平台的默认许可选项（NC），或有意在托管时收紧条款；也可能是论文写作时引用了错误或理想的许可表述。无法从公开信息判定，列作遗留疑点。

6.4 AI-Ready 视角下的可获取性评估

从「AI-Ready 数据集」的检索友好度看，ImageCHD 的获取性属于中上水平：

优点：

• 公开直链、无需申请——Kaggle 页面直接可下载，无 gating、无申请表、无需邮件审批（相比「请求制」数据集友好得多）；
• 文档完整——GitHub README 清楚定义了标签编号与引用方式；
• 平台成熟——Kaggle 提供版本管理、数据探索器、下载统计。

缺点：

• 需注册 Kaggle 账号（免费但需登录）；
• 分卷压缩解压繁琐——13 文件、需改名、需全部下载后解压，对自动化流水线不友好；
• 无 HuggingFace 镜像——本库检索者熟悉的 HF load_dataset 一键加载方式不适用（hf-mirror 搜索 imagechd 返回空）；
• 无标准化数据加载脚本——需使用者自行编写 NIfTI/压缩包解析代码；
• License 冲突增加使用决策成本。

6.5 获取与使用的操作清单（供检索者）

获取步骤：

1. 注册/登录 Kaggle；
2. 访问 kaggle.com/datasets/xiaoweixumedicalai/imagechd；
3. 下载全部 13 个文件（约 8.94 GB）；
4. 将 ImageCHD_dataset.change2zip 重命名为 ImageCHD_dataset.zip；
5. 确保 .z01-.z12 与改名后的 .zip 同目录，执行解压；
6. 解压后查看包内 xlsx 文件获取 2021-05 修正后的完整诊断信息；
7. 核验数据格式（NIfTI / DICOM / 其它），确认体素 spacing。

使用须知：

• 分割掩码训练时过滤非 1-7 标签（如标签值 14）；
• 分类任务按多标签处理（一图可多 CHD）；
• 注意 16 类的长尾不均衡，考虑类别加权或合并；
• 自建并公布固定的 train/val/test 划分（最好按患者），以便结果可复现；
• 商业用途前，就 License 冲突向作者邮件确认。

§7 生态与影响

7.1 学术影响与引用

ImageCHD 发表于 MICCAI 2020，是当年医学影像计算顶会的工作。Springer 页面显示其累计访问量超过 10k（10,000+ 次），被引 46 次（抓取时点口径）。在医学影像数据集类工作中，这是一个稳健的引用量——尤其考虑到它规模不大（110 例），其被引更多来自**「首个 CHD 分类数据集」的开创性定位**而非数据量。

被引的典型场景：

• 作为先心病/心脏三维影像的 benchmark；
• 作为小样本医学分类的方法对比对象；
• 作为心脏亚结构分割（尤其全心脏分割、LA 分割）的数据来源；
• 作为解剖感知（anatomy-aware）深度学习的验证平台。

7.2 作者团队与延续

• 通讯邮箱 xiao.wei.xu@foxmail.com 显示第一作者 Xiaowei Xu 在持续维护该数据集（2021 诊断更新、2023 Kaggle 部署均由作者推动）；
• 作者团队跨越临床方（庄建、袁海云、黄美萍、岑坚正、贾乾君等心外科/放射科医生）与技术方（Xiaowei Xu、Yiyu Shi 等），是典型的医学影像「医工结合」协作模式——临床提供数据与标注、工科提供算法与方法；
• Kaggle 账号 xiaoweixumedicalai 为作者独立运营，该账号下部署了 ImageCHD，是作者面向社区分发数据的主渠道。

7.3 在先心病影像数据生态中的位置

先心病影像分析是一个长期缺乏公开数据的领域。ImageCHD 的出现填补了「CHD 分类」这一空白，但需要客观看待它在该领域的位置：

• 首发性：它是第一个明确面向 CHD 分类的公开数据集，具有开创意义；
• 规模局限：110 例在三维医学影像数据集中属小规模，无法支撑大规模预训练；
• 单中心单设备：全部数据来自 Siemens Biograph 64，存在设备偏倚（device bias）——模型可能学到该设备的成像特征，跨中心泛化能力未经验证；
• 无外部验证集：数据集本身不含外部中心验证数据，论文亦未做跨中心评估。

这些特点决定了 ImageCHD 更适合作为方法验证与小样本算法研究的平台，而非大规模训练或临床部署的数据基础。

7.4 下游生态的实际使用证据

ImageCHD 的生态活跃度可由第三方工作佐证（详见 §5.4）：

1. 心脏分割方法对比（EMJ 2025）：UNet/TransUNet/MIST 的 LA 分割对比，使用 108/110 例；
2. 心脏计算建模（Stanford BLNM，2025）：TOF 子集生成心脏网格做电生理仿真；
3. 中文技术社区的复现教程（腾讯云 ImageCHD2021）：VNet3d 分割的完整训练流程，降低了新入门者的使用门槛。

这说明 ImageCHD 的数据实际可解压、可加载、可训练——不是「发布即沉睡」的数据集，而是被社区真实消费的资源。

§8 方法学启示：三条可迁移的经验

8.1 「先分割后分类」是应对全局结构问题的有效范式

ImageCHD 基线最值得学习的不是某个网络结构，而是解题思路：面对「局部特征无用、全局几何决定类别」的任务，与其让端到端网络从像素硬学几何关系，不如先把关键解剖结构显式解析出来，再在结构化表示上做判别。

这一范式可迁移到许多「结构关系决定诊断」的医学任务：

• 脊柱侧弯分类（先分割椎骨再判曲度分型）；
• 骨折分型（先分割骨片再判类型）；
• 关节病变（先分割软骨/间隙再判分级）。

核心逻辑：把隐式的几何推理外化为显式的结构分割，降低模型的学习难度，同时让中间结果可解释、可审查。

8.2 用选择性预测诚实报告难度

ImageCHD 用 82.0% @ 88.4% coverage 这一对数字，比单纯报告「准确率 82%」信息量大得多。选择性预测要求模型承认自己的不确定性，把没把握的样本交给人工——这在临床场景中尤为重要：一个会说「我不确定」的辅助系统，比一个永远自信但会犯错的系统更安全。

对数据集使用者的启示：评估医学 AI 模型时，覆盖率与准确率应成对报告，而非只报一个漂亮的 accuracy 数字。ImageCHD 基线的做法值得效仿。

8.3 小数据集的「首发性」价值可以超越规模限制

ImageCHD 只有 110 例，却获得 46 次引用，靠的是开创性定位而非数据量。这给数据集建设者的启示是：在空白领域，第一个可用的公开数据集的价值，往往不在于它有多大，而在于它让整个领域「有了可研究的东西」。

当然，这一价值也伴随着责任——首发数据集一旦被广泛使用，其缺陷（无官方划分、类别不均衡、无一致性验证）会成为整个领域的共同基线问题，后续数据集建设者应主动修补这些短板。

§9 与库内条目的关系

9.1 主题归属与标签

ImageCHD 的 category_tags 取 6 个（从受控词表 92 条中选）：

标签	层级	入选理由
医学影像	L1	数据集本质是三维医学影像
CT	L2	数据类型为 CT 断层扫描
医学图像分割	L2	核心任务之一是 7 类亚结构分割
图像分类	L2	核心任务之二是 16 类 CHD 分类
心血管疾病	DISEASE	先心病属心血管疾病范畴
儿科	DISEASE	患者主体为婴幼儿（1 个月-2 岁）

9.2 库内可互链方向

按标签与主题，ImageCHD 在库内的潜在互链点包括：

1. 三维 CT 器官分割类条目——与同样提供三维体数据 + 器官分割掩码的数据集（如腹部 CT 分割类：abdomenct-1k、atlas-liver-tumor、3dircadb 等）在任务形态上高度相似，可互链对比「三维器官分割」的不同解剖目标；
2. 心脏/心血管影像类条目——库内如有心脏 MRI/CT、心血管疾病影像数据集，应优先互链（主题最贴近）；
3. 医学图像分割 L2 标签条目——通过「医学图像分割」标签由互链算法自动关联；
4. 儿科/罕见病标签条目——先心病属先天性+儿科范畴，可与 patient_tags 含儿童及罕见病标签的条目互链；
5. 小样本基准类条目——ImageCHD 是典型的小样本困难基准，可与库内其它「小数据量高难度」数据集对比。

说明：本条目写作期间仅执行了 DB 只读查重（imagechd/chd/congenital 均 0 行），未做全库 rid 反查。具体互链条目的 record_id 建议由主会话用 category_tags 命中条目反查后确认，以避免位置对齐记账事故。

§10 避坑清单：八个已踩过的坑

坑 1：把 16 类 CHD 当互斥 softmax 分类。
一张图可对应多于一种 CHD（论文明确注明），各类计数之和 193 ≠ 110。正确做法是按多标签（multi-label） 处理，用 sigmoid + BCE 而非 softmax + CE。

坑 2：忽略非 1-7 的标签值。
分割掩码中存在 14 等标签值（气道等结构），官方 README 要求忽略。若直接训练，这些标签会污染类别统计与损失计算，须先过滤 mask = mask * (mask <= 7)。

坑 3：误以为原始数据在 GitHub 上。
GitHub 仓库只有 README 文档，没有大数据本体。实际 110 例 CT 在 Kaggle（约 8.94 GB），需注册下载。冲着 GitHub 找数据的检索者会扑空。

坑 4：分卷压缩包解压失败。
Kaggle 包是 13 个文件的分卷压缩（change2zip + .z01-.z12），必须先下齐全部 13 个、把 change2zip 改名为 zip、再一起解压。缺卷或漏改名都会失败。

坑 5：直接采信「Apache-2.0」。
Kaggle 页面实标 CC BY-NC 4.0，与论文/第三方的 Apache-2.0 冲突。商业用途若按 Apache 处理将违约。以 Kaggle 页面为准，商用前邮件确认。

坑 6：假设存在官方 train/test 划分。
ImageCHD 没有官方划分，各研究自定（100/10、108 例全评等）。不同论文的 ImageCHD 性能不可直接横比，引用时须核查划分与患者级泄漏。

坑 7：忽略体素各向异性。
典型体素 0.25×0.25×0.5 mm³，面内分辨率是层厚的 2 倍。直接各向同性重采样会引入插值误差；三维卷积需注意 Z 轴采样率不同。

坑 8：把分割标签当金标准共识。
分割由单名放射科医生完成，无第二人复核、无一致性指标报告。应视为「单专家参考」而非「金标准」，训练/评测时对标签噪声有心理预期。

§11 总结

11.1 三句话总结

1. ImageCHD 是首个面向先天性心脏病（CHD）分类的公开三维 CT 数据集——110 例心脏 CT、7 类亚结构分割标签、16 类 CHD 诊断标签，MICCAI 2020 发布，Kaggle 公开下载（约 8.94 GB）。
2. 它的核心价值是「困难」而非「规模」——用 82.0% @ 88.4% coverage 的基线结果，具象化了「全局结构关系推理」这类对当前视觉方法极难的问题。
3. 使用前必须跨过两道门槛——License 双口径冲突（Kaggle CC BY-NC vs 论文 Apache）需商用前核验；无官方划分、类别长尾、单专家分割需在使用时主动修补。

11.2 适合谁

• 研究心脏三维 CT 分割/分类的算法团队；
• 探索小样本医学影像学习方法的研究者；
• 构建解剖感知（anatomy-aware）深度学习模型的开发者；
• 需要先心病影像验证平台的临床 AI 研究者；
• 研究全局结构关系推理（global structural reasoning）这一更普遍难题的方法学家。

11.3 不适合谁

• 想用大规模数据预训练的团队（110 例远远不够）；
• 需要多中心、多设备泛化验证的研究（数据单中心单设备）；
• 追求SOTA 分类精度并直接临床部署的应用（基线仅 82.0%，作者自述远未成熟）；
• 需要商业授权的产品开发（License 冲突未清，商用风险高）；
• 需要开箱即用标准化加载的用户（无 HF 镜像、无官方数据加载脚本）。

11.4 30 秒决策卡

你的需求	ImageCHD 合适吗	行动
心脏分割算法验证	✅ 合适	Kaggle 下载，自建划分
CHD 分类方法研究	✅ 合适	按多标签处理，注意长尾
大规模预训练	❌ 不合适	换更大数据集
商业产品开发	⚠️ 高风险	先核验 License，邮件确认
快速试用（不想折腾）	⚠️ 有门槛	需下载 8.94GB 分卷并解压
临床部署	❌ 不成熟	基线 82% 远不够

FAQ（高频问答 28 问）

A. 基础认知

Q1：ImageCHD 的全称是什么？
ImageCHD — A 3D Computed Tomography Image Dataset for Classification of Congenital Heart Disease（用于先天性心脏病分类的三维 CT 影像数据集）。

Q2：ImageCHD 发表于哪里？
MICCAI 2020（Medical Image Computing and Computer Assisted Intervention），收录于 LNCS 卷 12264，pp 77-87。DOI: 10.1007/978-3-030-59719-1_8。arXiv 预印本为 arXiv:2101.10799。

Q3：它是第一个什么数据集？
第一个面向先天性心脏病（CHD）分类的公开医学影像数据集（论文原文 “the first medical image dataset for CHD classification”）。

Q4：有多少例数据？
110 例三维 CT 图像。

Q5：「ImageCHD」还是「ImageChD」？
官方统一为 ImageCHD（大写 CHD）。GitHub README 正文偶有「ImageChD」的小写笔误，以 ImageCHD 为准。

B. 数据与规格

Q6：数据是什么设备采集的？
Siemens Biograph 64 扫描仪。

Q7：患者年龄范围？
1 个月到 40 岁，绝大多数集中在 1 个月到 2 岁。

Q8：图像尺寸和体素大小？
尺寸 512×512×(129-357)；典型体素 0.25×0.25×0.5 mm³。

Q9：有几个分割标签？分别是什么？
7 类：LV（左心室）=1、RV（右心室）=2、LA（左心房）=3、RA（右心房）=4、Myo（心肌）=5、AO（主动脉）=6、PA（肺动脉）=7。

Q10：标签里出现 14 之类怎么办？
忽略——官方说明这些是非心脏结构（气道等）的标签，训练时应过滤掉非 1-7 的值。

Q11：覆盖多少种 CHD？
16 类：常见 8 类（ASD/AVSD/VSD/TOF/PDA/TGA/CA/PuA）+ 少见类（Normal/PAS/DORV/CAT/DAA/APVC/AAH/IAA/DSVC）。

Q12：一件图只能对应一种 CHD 吗？
不是。论文注明「some images may correspond to more than one type of CHD」，一图可多标签。

C. 标注

Q13：谁标注的？
四名心血管放射科医生组成的团队。

Q14：标注分工如何？
每图分割由一名医生完成；诊断由四名医生共同确认。

Q15：标注耗时多少？
每张图像平均约 1-1.5 小时。

Q16：分割标签有复核吗？
没有第二人复核（单医生分割），论文也未报告标注一致性指标。应视为单专家参考。

Q17：诊断标签是最新的吗？
有更新。2021-05-10 更新了诊断信息（贡献者 Kadirbarut / Bilgiuzayi），完整明细在下载包的 xlsx 文件中，应以该文件为权威。

D. 任务与基线

Q18：能做哪些任务？
(1) 16 类 CHD 分类；(2) 7 类心脏亚结构分割。两者常联合使用。

Q19：基线分类效果如何？
82.0% 准确率 @ 88.4% 覆盖率（selective prediction 选择性预测）。

Q20：88.4% coverage 是什么意思？
模型愿意作答的样本比例。即 11.6% 的样本模型弃权交给人工。82.0% 是仅在作答样本上的准确率。

Q21：82% 算好吗？
不算。作者明确说「leaving big room for further improvement」。且若把弃权样本计入，端到端准确率更低（上界约 72.5%）。

Q22：为什么 CHD 分类这么难？
论文点明：CHD 分类需识别大规模结构改变而不伴随局部组织改变，局部特征无用，必须建立整个心脏的空间构型关系——这对当前视觉方法是普遍难题。

E. 获取与许可

Q23：怎么下载 ImageCHD？
Kaggle：kaggle.com/datasets/xiaoweixumedicalai/imagechd，需注册，下载约 8.94 GB（13 文件分卷）。GitHub 只提供文档。

Q24：分卷压缩怎么解压？
把 ImageCHD_dataset.change2zip 改名为 ImageCHD_dataset.zip，与 .z01-.z12 同目录后一起解压。

Q25：有 HuggingFace 镜像吗？
没有。hf-mirror 搜索 imagechd 返回空。需走 Kaggle。

Q26：License 到底是什么？
存在冲突：Kaggle 页面标 CC BY-NC 4.0（非商业），论文与第三方引用标 Apache-2.0。以 Kaggle 页面为准，商用前必须邮件确认。

Q27：能商用吗？
风险高。若实际许可是 CC BY-NC 4.0，则禁止商业用途。务必先核验并向作者（xiao.wei.xu@foxmail.com）确认。

F. 工程细节

Q28：有官方 train/test 划分吗？
没有。各研究自定（如 100/10 或 108 例全评）。引用他人结果时必须核查划分，避免患者级数据泄漏导致的虚高。

事实清单（硬事实 32 条）

1. ImageCHD 全称：A 3D Computed Tomography Image Dataset for Classification of Congenital Heart Disease。
2. 发表于 MICCAI 2020（LNCS 12264, pp 77-87）。
3. DOI：10.1007/978-3-030-59719-1_8；Preprint arXiv:2101.10799。
4. arXiv v1 提交 2021-01-26，v2 修订 2021-05-12。
5. 数据集含 110 例三维 CT 图像。
6. 论文定位：the first medical image dataset for CHD classification（首个 CHD 分类数据集）。
7. CHD 在美国发病率为每 110 名新生儿 1 例（论文引述）。
8. 采集设备：Siemens Biograph 64。
9. 患者年龄 1 个月至 40 岁，绝大多数集中于 1 个月至 2 岁。
10. 图像尺寸 512×512×(129-357)。
11. 典型体素大小 0.25×0.25×0.5 mm³。
12. 分割标签 7 类：LV=1、RV=2、LA=3、RA=4、Myo=5、AO=6、PA=7。
13. 非 1-7 的标签值（如 14）为气道等结构，官方要求忽略。
14. 诊断标签 16 类 CHD。
15. 常见 8 类：ASD/VSD/AVSD/TOF/PDA/TGA/CA/PuA。
16. 少见类：Normal/PAS/DORV/CAT/DAA/APVC/AAH/IAA/DSVC。
17. 各类型的图像数：ASD 32、AVSD 18、VSD 44、TOF 12、PDA 14、TGA 5、CA 6、PuA 16、Normal 3、PAS 8、DORV 4、CAT 5、DAA 6、APVC 3、AAH 3、IAA 8、DSVC 6。
18. 各类计数之和 193 ≠ 110，原因是一图可对应多于一种 CHD。
19. 标注团队：四名心血管放射科医生。
20. 每图分割由一名医生完成；诊断由四名医生共同确认。
21. 每张图像平均标注时间约 1-1.5 小时。
22. 2021-05-10 更新诊断信息，贡献者 Kadirbarut（Bilgiuzayi）。
23. 诊断明细写入下载包内 xlsx 文件。
24. 基线分类准确率 82.0%，覆盖率 88.4%（selective prediction）。
25. 论文自述结论「leaving big room for further improvement」。
26. 2023-11-01 数据集部署到 Kaggle（账号 xiaoweixumedicalai）。
27. GitHub 仓库最后提交 2023-11-02。
28. Kaggle 数据集大小约 8.94 GB，共 13 个文件（分卷压缩）。
29. Kaggle 页面 License 实标 CC BY-NC 4.0。
30. 论文与第三方引用口径为 Apache License 2.0。
31. Kaggle 数据集下载量 2,915，浏览量 10,600，Usability 9.38（2026-10-08 抓取）。
32. Springer 页面访问量 10k+，被引 46 次（抓取时点）。

术语表（30 条）

1. CHD（Congenital Heart Disease，先天性心脏病）：最常见的出生缺陷，心脏结构与大血管连接在出生时即存在异常。
2. 3D CT（三维计算机断层扫描）：通过 X 射线多角度投影重建的三维体数据，此处指心脏 CT 血管成像。
3. ASD（Atrial Septal Defect，房间隔缺损）：左右心房之间的间隔存在缺损的 CHD 类型。
4. VSD（Ventricular Septal Defect，室间隔缺损）：左右心室之间的间隔缺损，最常见的 CHD 之一。
5. AVSD（Atrioventricular Septal Defect，房室间隔缺损）：房间隔与室间隔均受累，常伴房室瓣异常。
6. TOF（Tetralogy of Fallot，法洛四联症）：由四种畸形组成的复杂 CHD，含室间隔缺损、肺动脉狭窄、主动脉骑跨、右心室肥厚。
7. PDA（Patent Ductus Arteriosus，动脉导管未闭）：胎儿期连接主动脉与肺动脉的导管出生后未闭合。
8. TGA（Transposition of the Great Arteries，大动脉转位）：主动脉与肺动脉起源心室互换的严重 CHD。
9. CA（Coarctation of the Aorta，主动脉缩窄）：主动脉某段狭窄。
10. PuA（Pulmonary Atresia，肺动脉闭锁）：肺动脉瓣或主肺动脉完全闭锁。
11. PAS（Pulmonary Artery Sling，肺动脉吊带）：左肺动脉异常起源于右肺动脉并环绕气管。
12. DORV（Double Outlet Right Ventricle，右心室双出口）：主动脉与肺动脉均起自右心室。
13. CAT（Common Arterial Trunk，总动脉干/永存动脉干）：仅一根大血管自心脏发出。
14. DAA（Double Aortic Arch，双主动脉弓）：主动脉弓形成双环环绕气管食管。
15. APVC（Anomalous Pulmonary Venous Connection，异常肺静脉引流）：肺静脉未正常回流至左心房。
16. AAH（Aortic Arch Hypoplasia，主动脉弓发育不全）：主动脉弓发育细小。
17. IAA（Interrupted Aortic Arch，主动脉弓离断）：主动脉弓连续性中断。
18. DSVC（Double Superior Vena Cava，双上腔静脉）：存在两条上腔静脉。
19. LV（Left Ventricle，左心室）：心脏左下方泵血至体循环的心腔，分割标签值 1。
20. RV（Right Ventricle，右心室）：泵血至肺循环的心腔，分割标签值 2。
21. LA（Left Atrium，左心房）：接收肺静脉回流的心腔，分割标签值 3。
22. RA（Right Atrium，右心房）：接收体循环静脉回流的心腔，分割标签值 4。
23. Myocardium（心肌）：心脏肌肉组织，分割标签值 5。
24. Aorta（主动脉）：体循环主大动脉，分割标签值 6。
25. Pulmonary Artery（肺动脉）：肺循环主大动脉，分割标签值 7。
26. Selective Prediction（选择性预测）：模型可对低置信度样本弃权的预测方案，用准确率×覆盖率双指标报告。
27. Coverage（覆盖率）：选择性预测中模型愿意作答的样本比例。
28. Dice Coefficient（Dice 相似系数）：分割任务的重叠度量，= 2×|A∩B|/(|A|+|B|)。
29. HD95（95% 豪斯多夫距离）：分割边界精度度量，取 95 分位的表面距离。
30. TRIPOD+AI：针对医学预测模型（含 AI）报告规范的国际指南。

附录

附录 A：条目信息速查卡

字段	值
官方名	ImageCHD
slug	imagechd
全称	ImageCHD: A 3D Computed Tomography Image Dataset for Classification of Congenital Heart Disease
出处	MICCAI 2020, LNCS 12264, pp 77-87
DOI	10.1007/978-3-030-59719-1_8
arXiv	arXiv:2101.10799
规模	110 例 3D CT
分割标签	7 类（LV/RV/LA/RA/Myo/AO/PA）
分类标签	16 类 CHD
设备	Siemens Biograph 64
基线	82.0% @ 88.4% coverage
获取	Kaggle（8.94 GB）
许可	CC BY-NC 4.0（Kaggle）/ Apache-2.0（论文）双口径

附录 B：DAIMS 评估全表

DAIMS（Data and AI Management/Maturity Standard）从多个维度评估数据集对 AI 的友好度：

维度	评分	说明
可发现性（Findability）	★★★★☆	有 DOI、arXiv、GitHub、Kaggle 多渠道入口，检索容易
可获取性（Accessibility）	★★★★☆	Kaggle 公开直链无需审批；扣一星因需注册且分卷解压繁琐
互操作性（Interoperability）	★★★☆☆	数据格式未完全标准化说明，无统一加载脚本，无 HF 集成
可复用性（Reusability）	★★★☆☆	标签定义清晰；扣分因无官方划分、License 冲突、无一致性指标
文档完备性（Documentation）	★★★☆☆	README + 论文提供核心信息；扣分因采集参数、格式细节披露不足
标签质量（Label Quality）	★★★☆☆	医生标注专业；扣分因单专家分割、无一致性验证
规模充分性（Scale）	★★☆☆☆	110 例属小规模，无法支撑大模型训练
代表性（Representativeness）	★★☆☆☆	单中心单设备，类别长尾，代表性受限
伦理合规（Ethics）	★★★★☆	去标识化、公开数据；无明确 IRB 声明扣一星
可持续性（Sustainability）	★★★★☆	作者持续维护（2021 更新、2023 Kaggle 部署）；预期年更

综合评级：★★★☆☆（中等偏上）——ImageCHD 是一个「开创性强、可获取性好、但规模与标准化偏弱」的小数据集，适合方法研究而非生产级训练。

附录 C：逐项证据链自证

事实	证据来源
110 例、7 类标签、MICCAI 2020	arXiv 摘要页 + GitHub README
82.0% @ 88.4% coverage	arXiv 摘要 + MICCAI 论文
Table 1 CHD 类型与计数	MICCAI 论文 Table 1（经第三方镜像转录）
标签编号 1-7	GitHub README 原文
年龄/设备/体素	腾讯云技术文转述论文口径 + EMJ 2025 转述
CC BY-NC 4.0	Kaggle 数据集页实抓
Apache-2.0	EMJ 2025 论文 + DicomTube
8.94 GB / 13 文件	Kaggle 数据集页实抓
2021-05-10 诊断更新	GitHub README 原文

附录 D：数据获取决策树

需要 ImageCHD 数据？
├─ 只想看标签定义与引用 → GitHub README（无需下载）
├─ 需要实际数据
│   ├─ 有 Kaggle 账号 → 直接下载 8.94GB 分卷包
│   └─ 无 Kaggle 账号 → 免费注册后下载
│       └─ 解压：change2zip → zip，与 .z01-.z12 同目录解压
│           └─ 查看包内 xlsx 获取最新诊断标签
├─ 需要 HuggingFace 加载 → ❌ 无镜像，需自行转换
└─ 商业用途 → ⚠️ 先核验 License（Kaggle 标 NC），邮件确认

附录 E：心脏亚结构标签使用规范

# 训练分割模型时的标签过滤（关键）
# 官方约定：仅 1-7 为心脏亚结构，其余（如 14=气道）忽略
valid_mask = (mask >= 1) & (mask <= 7)
mask = mask * valid_mask  # 非 1-7 置 0（背景）

# 类别映射
LABELS = {
    0: "background",
    1: "LV",   # 左心室
    2: "RV",   # 右心室
    3: "LA",   # 左心房
    4: "RA",   # 右心房
    5: "Myo",  # 心肌
    6: "AO",   # 主动脉
    7: "PA",   # 肺动脉
}

附录 F：CHD 分类标签映射表

# 16 类 CHD 标签（注意：多标签，一图可对应多个）
CHD_LABELS = {
    1: "ASD",    # 房间隔缺损
    2: "AVSD",   # 房室间隔缺损
    3: "VSD",    # 室间隔缺损
    4: "TOF",    # 法洛四联症
    5: "PDA",    # 动脉导管未闭
    6: "TGA",    # 大动脉转位
    7: "CA",     # 主动脉缩窄
    8: "IAA",    # 主动脉弓离断
    9: "PAS",    # 肺动脉吊带
    10: "DORV",  # 右心室双出口
    11: "CAT",   # 总动脉干
    12: "DAA",   # 双主动脉弓
    13: "APVC",  # 异常肺静脉引流
    14: "AAH",   # 主动脉弓发育不全
    15: "PuA",   # 肺动脉闭锁
    16: "DSVC",  # 双上腔静脉
    "N": "Normal" # 正常心脏
}
# 注意：论文 Table 2 的编号采用 U/1-16/N 体系，与上表一致

附录 G：类别分布与不均衡应对

类别	计数	占比（按 193 计）	应对建议
VSD	44	22.8%	头部类
ASD	32	16.6%	头部类
AVSD	18	9.3%	可正常训练
PuA	16	8.3%	可正常训练
PDA	14	7.3%	可正常训练
TOF	12	6.2%	需注意
PAS	8	4.1%	需重采样/加权
IAA	8	4.1%	需重采样/加权
CA	6	3.1%	尾部类，易漏
DAA	6	3.1%	尾部类，易漏
DSVC	6	3.1%	尾部类，易漏
TGA	5	2.6%	尾部类，易漏
CAT	5	2.6%	尾部类，易漏
DORV	4	2.1%	尾部类，建议合并
Normal	3	1.6%	尾部类，建议合并
APVC	3	1.6%	尾部类，建议合并
AAH	3	1.6%	尾部类，建议合并

不均衡应对策略：(1) 类别加权损失 / focal loss；(2) 尾部类过采样或头部类欠采样；(3) 将 16 类合并为 4-5 个临床大类；(4) 采用选择性预测让模型对尾部类弃权。

附录 H：选择性预测评估骨架（代码）

# 选择性预测：按置信度阈值决定作答或弃权
import numpy as np

def selective_predict(logits, labels, thresholds):
    """
    logits: (N, C) 模型输出 logits
    labels: (N,) 真实标签
    thresholds: 置信度阈值列表
    返回: 每个阈值下的 (coverage, accuracy)
    """
    probs = softmax(logits)          # (N, C)
    conf = probs.max(axis=1)         # 最大置信度
    pred = probs.argmax(axis=1)
    correct = (pred == labels)

    results = []
    for t in thresholds:
        mask = conf >= t             # 愿意作答的样本
        coverage = mask.mean()
        accuracy = correct[mask].mean() if mask.sum() > 0 else 0.0
        results.append((t, coverage, accuracy))
    return results

# ImageCHD 基线报告值: coverage 0.884, accuracy 0.820

附录 I：心脏分隔 Dice 计算

import numpy as np

def dice(pred, gt, smooth=1e-6):
    """pred, gt: 二值掩码（用于单类）"""
    pred = pred.astype(bool)
    gt = gt.astype(bool)
    inter = (pred & gt).sum()
    return (2 * inter + smooth) / (pred.sum() + gt.sum() + smooth)

def dice_per_class(pred_mask, gt_mask, n_classes=7):
    """多类分割的逐类 Dice，忽略标签 0（背景）"""
    scores = {}
    for c in range(1, n_classes + 1):
        scores[c] = dice(pred_mask == c, gt_mask == c)
    return scores

附录 J：与 PANDA-PLUS 类数据集的对照

维度	ImageCHD	PANDA-PLUS
领域	心脏 3D CT	前列腺 WSI
规模	110 例	546 张 WSI
任务	分类 + 分割	分割（重标注）
标注团队	4 名放射科医生	学生+高年级+专家终审
一致性验证	无	有（kappa/PABAK）
License	双口径冲突	三层异构
获取	Kaggle 公开	掩码请求制
首发性	首个 CHD 分类数据集	PANDA 像素级重标注

对照启示：ImageCHD 在标注验证与许可清晰度上落后于较新的数据集；但其「公开直链可获取」优于 PANDA-PLUS 的「请求制」。

附录 K：体素各向异性处理建议

# 原始体素: 0.25 x 0.25 x 0.5 mm（面内分辨率是层厚的 2 倍）
# 方案 A: 沿深度轴切 2D 切片（多数下游选择，规避各向异性）
# 方案 B: 重采样至各向同性（如 0.5x0.5x0.5 或 1x1x1），注意插值误差
# 方案 C: 3D 卷积但保持各向异性 kernel（如 kernel_z 与 kernel_xy 不同）

# 示例：各向同性重采样
import nibabel as nib
from scipy.ndimage import zoom

img = nib.load("case_001.nii.gz")
data = img.get_fdata()
sx, sy, sz = img.header.get_zooms()
target = 0.5  # 目标各向同性 spacing
data_iso = zoom(data, (sx/target, sy/target, sz/target), order=1)

附录 L：Kaggle 分卷解压操作手册

# 1. 下载全部 13 个文件到同一目录
#    ImageCHD_dataset.change2zip
#    ImageCHD_dataset.z01 ... ImageCHD_dataset.z12
# 2. 重命名首卷
mv ImageCHD_dataset.change2zip ImageCHD_dataset.zip
# 3. 解压（7z 支持分卷）
7z x ImageCHD_dataset.zip
# 或 unzip（需确保分卷齐全）
unzip ImageCHD_dataset.zip
# 4. 查看包内 xlsx 获取最新诊断标签（2021-05 修正版）

附录 M：与库内相关条目的关系声明

本条目（imagechd）与库内以下方向的条目存在主题关联：

• 三维 CT 器官分割类（如 abdomenct-1k、atlas-liver-tumor、3dircadb）：同属「三维体数据 + 器官分割」，解剖目标不同，可对比标注与规模策略；
• 医学图像分割 L2 标签条目：通过该标签由互链算法自动关联；
• 心血管疾病 / 儿科标签条目：主题层面相近。

本代理仅做 DB 只读查重，未做全库 rid 反查；具体 record_id 由主会话按 DB url_name 反查确认，避免位置对齐记账事故。

附录 N：CHD 类型临床分类参照

按血流动力学与解剖，16 类 CHD 可归为几大族：

• 间隔缺损族：ASD、VSD、AVSD；
• 圆锥动脉干畸形族：TOF、TGA、DORV、CAT、PuA；
• 主动脉弓异常族：CA、IAA、AAH、DAA；
• 静脉连接异常族：APVC、DSVC；
• 导管/其它：PDA、PAS；
• 正常：Normal。

这一分族思路可作为「16 类合并为少数大类」策略的临床依据。

附录 O：License 条款细读（双口径）

条款	CC BY-NC 4.0（Kaggle 标）	Apache-2.0（论文标）
署名要求	需要	需要保留版权声明
商业使用	❌ 禁止	✅ 允许
修改/衍生	✅ 允许	✅ 允许
专利授权	未明示	✅ 显式授予
传染性	无（非 copyleft）	无
学术使用	✅	✅

结论：学术非商业使用两类许可均无碍；商业使用是唯一的分歧点，也是必须核验的风险点。

附录 P：检索者常见误区速查

误区	正解
「LICENSE 是 Apache」	Kaggle 页实标 CC BY-NC 4.0，以页面为准
「16 类互斥」	多标签，一图可多 CHD
「标签无冗余」	存在 14 等非心脏标签，需过滤
「GitHub 能下数据」	数据在 Kaggle，GitHub 只有文档
「有官方划分」	无，各研究自定
「分割是金标准」	单专家标注，无一致性验证
「HF 一键加载」	无 HF 镜像

附录 Q：坑点档案（与 §10 对照）

编号	坑	后果	规避
1	当互斥 softmax	训练目标错误	用多标签 sigmoid
2	忽略非 1-7 标签	类别污染	mask<=7 过滤
3	以为数据在 GitHub	扑空	走 Kaggle
4	分卷解压失败	无法使用	下齐 13 卷+改名
5	直接采信 Apache	商用违约风险	以 Kaggle 页为准
6	假设官方划分	结果不可比	自建并公布划分
7	忽略体素各向异性	插值误差	切片或显式重采样
8	把分割当金标准	高估标签质量	视为单专家参考

附录 R：论文 Table 1 全转录（CHD 类型与图像数）

Common CHD（常见先心病）

缩写	中文	图像数
ASD	房间隔缺损	32
AVSD	房室间隔缺损	18
VSD	室间隔缺损	44
TOF	法洛四联症	12
PDA	动脉导管未闭	14
TGA	大动脉转位	5
CA	主动脉缩窄	6
PuA	肺动脉闭锁	16

Less Common CHD（少见先心病）

缩写	中文	图像数
Normal	正常心脏	3
PAS	肺动脉吊带	8
DORV	右心室双出口	4
CAT	总动脉干	5
DAA	双主动脉弓	6
APVC	异常肺静脉引流	3
AAH	主动脉弓发育不全	3
IAA	主动脉弓离断	8
DSVC	双上腔静脉	6

转录存照：「Less Common」组实际含 9 项（含 Normal）；所有项之和 193 ≠ 110，因一图可对多类型（论文原注）。此表为论文 Table 1 的逐项转录，供检索者核对。

附录 S：引用格式速查

标准引用（MICCAI 会议版，推荐）：

Xu X, Wang T, Zhuang J, Yuan H, Huang M, Cen J, Jia Q, Dong Y, Shi Y.
ImageCHD: A 3D Computed Tomography Image Dataset for Classification of
Congenital Heart Disease. In: Medical Image Computing and Computer Assisted
Intervention (MICCAI) 2020, LNCS 12264, pp 77-87. Springer.
DOI: 10.1007/978-3-030-59719-1_8

BibTeX：

@inproceedings{xu2020imagechd,
  title={ImageCHD: A 3D Computed Tomography Image Dataset for
         Classification of Congenital Heart Disease},
  author={Xu, Xiaowei and Wang, Tianchen and Zhuang, Jian and Yuan, Haiyun
          and Huang, Meiping and Cen, Jianzheng and Jia, Qianjun
          and Dong, Yuhao and Shi, Yiyu},
  booktitle={Medical Image Computing and Computer Assisted Intervention
             (MICCAI)},
  series={Lecture Notes in Computer Science},
  volume={12264},
  pages={77--87},
  year={2020},
  publisher={Springer},
  doi={10.1007/978-3-030-59719-1_8}
}

arXiv 预印本引用：arXiv:2101.10799, doi:10.48550/arXiv.2101.10799。

附录 T：数据加载骨架（NIfTI 假设）

import os
import numpy as np
import nibabel as nib
import torch
from torch.utils.data import Dataset

class ImageCHDDataset(Dataset):
    """假设解压后每例为 image .nii.gz + label .nii.gz。
    实际文件名以 Kaggle 包为准，请按需调整 glob。"""
    def __init__(self, root, case_ids, num_classes=8):
        self.root = root
        self.case_ids = case_ids
        self.num_classes = num_classes  # 0=背景 + 1-7 心脏亚结构

    def __len__(self):
        return len(self.case_ids)

    def __getitem__(self, idx):
        cid = self.case_ids[idx]
        img = nib.load(os.path.join(self.root, f"image_{cid}.nii.gz")).get_fdata()
        lbl = nib.load(os.path.join(self.root, f"label_{cid}.nii.gz")).get_fdata()

        # 关键：过滤非 1-7 标签（如 14=气道）
        lbl = lbl.astype(np.int64)
        lbl[(lbl < 1) | (lbl > 7)] = 0

        # 简单归一化（按实际分布调整）
        img = (img - img.mean()) / (img.std() + 1e-8)
        return torch.from_numpy(img[None]).float(), torch.from_numpy(lbl).long()

附录 U：多标签分类头与损失（PyTorch）

import torch.nn as nn

class CHDClassifier(nn.Module):
    """多标签 CHD 分类头：16 类 sigmoid，非 softmax。
    一图可对应多种 CHD，故用 BCE。"""
    def __init__(self, in_dim, num_labels=16):
        super().__init__()
        self.fc = nn.Linear(in_dim, num_labels)

    def forward(self, feat):
        return self.fc(feat)  # logits, 训练用 BCEWithLogitsLoss

# 训练
# criterion = nn.BCEWithLogitsLoss(pos_weight=...)  # pos_weight 应对长尾
# 推理时对 logits 做 sigmoid 得每类概率，阈值可调（默认 0.5）

附录 V：与相关心脏数据集对照

数据集	模态	规模	任务	首发年份
ImageCHD	3D CT	110	分类 + 分割	2020
MM-WHS	3D CT/MRI	120	全心脏分割	2017
ACDC	3D MRI	100	分割 + 分类	2017
M&Ms	3D MRI	375	分割	2020
ACDC（心脏）	MRI	100	心脏分割	2017

（表内为心脏三维影像领域的代表性数据集，供定位 ImageCHD 的规模与任务坐标；具体数字以各数据集官方为准。）

附录 W：ImageCHD 作为基准的评分卡

维度	评分（5 分制）	理由
数据规模	2	110 例，小
标签丰富度	5	分割 + 诊断双标签
任务清晰度	5	论文自带基线
可获取性	4	Kaggle 公开，但分卷繁琐
许可清晰度	2	双口径冲突
划分规范性	1	无官方划分
标注验证	2	无一致性指标
生态活跃度	4	46 次引用，多篇下游

综合：适合方法研究，不适合生产训练。

附录 X：标注一致性缺失的补救建议

ImageCHD 未报告分割标注的观察者间一致性。若使用者希望量化标签噪声，可采取：

1. 内部一致性代理：对同一样本的多次增强预测求变异性（弱代理）；
2. 多模型交叉验证：不同架构在同一标签上训练的收敛一致性，间接反映标签可学习性；
3. 人工抽检：抽取 10-20 例请独立专家复核边界，估算 Dice 型标注者间变异；
4. 报告而非假设：在自己的论文中明确「本数据集分割为单专家标注，未验证一致性」，避免误传为金标准。

附录 Y：获取决策树（详版）

ImageCHD 使用决策
├─ 用途判断
│   ├─ 学术研究（非商业）→ 两许可均可 → 直接下载
│   ├─ 商业产品 → 必须核验 License → 邮件 xiao.wei.xu@foxmail.com
│   └─ 教学演示 → 直接下载
├─ 数据获取
│   ├─ 有 Kaggle 账号 → 下载 13 文件 → 改名 change2zip → 解压
│   └─ 无账号 → 注册（免费）
├─ 格式核验
│   ├─ 确认文件格式（NIfTI/DICOM）
│   ├─ 确认体素 spacing（预期 0.25×0.25×0.5）
│   └─ 查看 xlsx 获取最新诊断标签
├─ 数据划分
│   └─ 自建划分（建议按患者）并公布，确保可复现
└─ 建模选择
    ├─ 分割任务 → 7 类，过滤非 1-7 标签
    ├─ 分类任务 → 16 类多标签，处理长尾
    └─ 联合任务 → 多任务学习，共享编码器

附录 Z：本条目写作过程存照（并发事故记录）

本条目在写作过程中遭遇了私有区并发覆写事故，如实记录：

• 开写私有区：writing/imagechd/.parts_agent-a-imagechd_1791459824_175921/（带 PID 唯一标识）；
• 事故现象：part1.md、part3.md 在写作过程中被另一并发实例的 imagechd 草稿覆写（内容风格、标题结构、schema_org 均与本代理草稿不同；part1 md5 在数分钟内由 ce69faca 变为 f930cbf1，mtime 持续变动）；
• 鉴定方法：逐文件首标题比对（本代理草稿 §0=「这个数据集解决什么问题」、§4=「CHD 分类任务与基线框架」；入侵草稿 §0=「为什么 ImageCHD 值得进入 AI-Ready 语料库」、§4=「数据集比较」）；part2/part4/part5 与本代理草稿一致，判定为存活；
• 处置：①就地停止向被污染目录继续写入；②将存活 part 迁入全新隔离私有区 .parts_agent-a-imagechd-iso_1791460174_188888/（不更新 .current_parts_dir 以防再次被定位）；③在本代理草稿基础上全量重写 part1、part3；④重新 cat 拼接并复核章节序（§0→§11→FAQ→事实清单→术语表→附录）；
• 结果：成稿出自单一代理（agent-a-imagechd），章节序列完整一致。

教训复述（R007/R008）：私有区目录名带 PID 仍不足以隔离读取 .current_parts_dir 的并发实例；根本防线是「同 slug 绝不双实例」与「落盘后即时校验内容指纹归属」。本条目建议主会话核查同批是否存在 imagechd 双实例派发。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• echonet-dynamic — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
• imagecas — 共享标签：医学影像 / CT / 医学图像分割 / 心血管疾病
• pedi-cranial-ct-healthy — 共享标签：医学影像 / CT / 儿科
• cardiac-atlas-project — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
• echonet-pediatric — 共享标签：医学影像 / 医学图像分割 / 心血管疾病 / 儿科
• hmc-qu — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
• hvdropdb — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 儿科
• dehazingecho2025 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
• parse2022 — 共享标签：医学影像 / CT / 医学图像分割 / 心血管疾病
• nih-pancreas-ct — 共享标签：医学影像 / CT / 医学图像分割

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。