基于深度学习的EAT量化预测应激CMR患者MACE

数据集获取

源站：https://doi.org/10.5281/zenodo.11302258

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《基于深度学习的的心外膜脂肪组织定量预测接受负荷CMR患者的MACE》相关的原始数据。背景与目的：本研究探讨了心外膜脂肪组织（EAT）体积对接受负荷心脏磁共振（CMR）成像患者主要不良心血管事件（MACE）的额外预后价值。方法：连续纳入730例因已知或疑似冠心病接受负荷CMR的患者[平均年龄：63 ± 10岁；男性616例]，随机分为推导队列（n = 365）和验证队列（n = 365）。MACE定义为非致死性心肌梗死和心源性死亡。开发并训练了一种深度学习算法，用于从CMR中量化EAT体积。EAT体积经身高校正（EAT体积指数）。通过Cox分析MACE风险，构建了基于CMR的复合风险评分。结果：在推导队列中，中位随访2103天期间，32例患者（8.7%）发生MACE。

左心室射血分数（LVEF）< 35%（HR 4.407 [95% CI 1.903–10.202]；p<0.001）、负荷灌注缺损（HR 3.550 [95% CI 1.765–7.138]；p<0.001）、晚期钆增强（LGE）（HR 4.428 [95%CI 1.822–10.759]；p = 0.001）及EAT体积指数（HR 1.082 [95% CI 1.045–1.120]；p<0.001）是MACE的独立预测因素。在多变量Cox回归分析中，将EAT体积指数加入包含LVEF、负荷灌注缺损和LGE的复合风险评分，可为MACE预测提供额外价值，净重分类改善为0.683（95%CI，0.336–1.03；p<0.001）。风险评分与EAT体积指数联合评估的Harrel C统计量高于风险评分（0.85 vs. 0.76；p<0.001）及单独EAT体积指数（0.85 vs.0.74；p<0.001）。这些发现在验证队列中得到证实。结论：在具有临床指征行负荷CMR的患者中，通过深度学习测量的全自动EAT体积可

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。