预测高危颈动脉斑块：整合radiomics与生物力学

数据集获取

源站：https://clinicaltrials.gov/study/NCT07877480

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

条件：颈动脉、颈动脉粥样硬化。卒中是全球范围内导致死亡和发病的主要原因，2019年全球病例达1200万例，2017年全球相关费用达8910亿美元。卒中的主要原因之一是颈动脉粥样硬化斑块破裂。因此，识别和研究斑块对于预防卒中和脑血管事件至关重要。欧洲指南推荐基于颈动脉斑块所致狭窄程度以及通过放射影像学评估其核心特征的风险分层策略。然而，仅凭这种分层仍不够充分。近年来，科学研究已成功基于影像识别出斑块形态学和组成特征中的其他不稳定性标志物。最后，影像组学——一个高通量提取放射影像中可观察到的定量特征的新领域——在识别和分层不稳定颈动脉斑块方面已展现出良好前景。

本研究的总体目标是建立一个预测模型，旨在识别初诊时无症状患者中的不稳定斑块。目前，评估斑块不稳定性的最有效客观方法是组织病理学分析，但这仅在手术后才能进行。因此，拥有一个无创预测模型来识别无症状患者发生脑血管意外的风险至关重要。具体而言，主要目标是通过从每张CTA图像中提取属于“形状和大小”（26个形状和大小特征）、“一阶统计量”（19个统计特征）和“纹理”（75个纹理特征）类别的影像组学标记，来识别颈动脉斑块不稳定性。进一步的目标将是计算机械标记（von Mises应力、最大主应力、极限应力和厚度），这些标记能够识别颈动脉狭窄患者和候选患者的颈动脉斑块不稳定性。

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。