深度学习算法分析CT心肌灌注诊断性能相关数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.7613098

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

本记录包含与文章“深度学习算法分析计算机断层扫描心肌灌注的诊断性能”相关的原始数据。目的：评估深度学习（DL）算法利用静息数据集的心肌计算机断层扫描灌注（CTP）预测血流动力学显著冠状动脉疾病（CAD）的诊断准确性，并与有创评估进行比较。方法：连续纳入112名有症状且计划进行临床指征有创冠状动脉造影（ICA）的患者，他们接受了CCTA加静态负荷CTP以及ICA，并对30%至80%的狭窄进行了有创血流储备分数（FFR）测量。随后，开发了一种DL算法，利用静息数据集（CTP-DL静息）和负荷数据集（CTP-DL负荷）预测显著CAD。测量并比较了使用CCTA、CCTA + CTP负荷、CCTA + CTP-DL静息和CCTA + CTP-DL负荷识别显著CAD的诊断准确性。记录了CTP负荷、CTP-DL静息和CTP-DL负荷的分析时间。

结果：单独CCTA及CCTA+CTP负荷的患者特异性敏感度、特异度、阴性预测值、阳性预测值、准确率和曲线下面积（AUC）分别为100%、33%、100%、54%、63%、67%和86%、89%、89%、86%、88%、87%。CCTA+DL静息及CCTA+DL负荷的患者特异性敏感度、特异度、阴性预测值、阳性预测值、准确率和AUC分别为100%、72%、100%、74%、84%、96%和93%、83%、94%、81%、88%、98%。与单独CCTA相比，所有CCTA+CTP负荷、CCTA+CTP-DL静息及CCTA+CTP-DL负荷均显著提高了对血流动力学显著CAD的检测能力（p<0.01）。CTP-DL的时间显著低于人工分析（39.2±3.2秒 vs. 379.6±68.0秒，p<0.001）。结论：使用DL方法对静息CTP数据集评估心肌缺血是可行且准确的。这种方法可能作为CTP负荷前的有用把关手段。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。