基于图像的建模对主动脉缩窄临床决策的评估

数据集获取

源站：https://clinicaltrials.gov/study/NCT02700737

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

疾病：先天性心脏病、主动脉缩窄、心血管疾病。我们将与三家临床合作伙伴协作，首先为最多三名招募参与CARDIOPROOF的患者分别生成两个影像数据集。第一个数据集将包含目前临床实践指南推荐的影像参数（称为“有限数据集”）。第二个数据集将包含扩展的参数列表，涵盖传统影像参数（如指南所推荐）和模拟建模可获得的信息（称为“基于影像的建模数据集”）。我们将从已加入CARDIOPROOF（NCT02591940）且已同意以匿名形式发表数据的完全去标识化患者中生成有限数据集和基于影像的建模数据集。我们将使用计算机随机抽样功能，将介入心脏病学家随机分配到两个独立组中，并向他们展示一组影像数据。

第一组将收到一个“有限”数据集，仅包含针对预先指定数量患者（最多3名）的传统诊断（按临床实践指南推荐）可获得的信息。第二组将收到完整、详细的数据集，包括针对同一组患者的传统诊断（按指南推荐）可获得的信息以及模拟建模信息。然后，我们将要求两组中的介入心脏病学家使用呈现给他们的影像参数数据集做出（假设性）临床决策。这些临床决策将是假设性的，因为患者将按照临床实践指南接受治疗，并且本实验将回顾性地涉及未直接参与CARDIOPROOF试验患者护理的介入心脏病学家。分析将聚焦于每个假设情景，并比较做出不同类型干预的心脏病学家比例。

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。