计算流体力学是Fontan术后单心室患者不良事件的关键预测因素
该数据集来自 Harvard Dataverse，聚焦 Fontan 术后单心室患者，包含基于 CMR 的计算流体力学（CFD）血流动力学数据
基本信息
资源简介
计算流体力学是Fontan术后单心室患者不良事件的关键预测因素
该数据集英文名为 Computational Fluid Dynamics is Key Predictors of Adverse Events in Single Ventricle Patients After the Fontan，由 Wei, Zhenglun "Alan" 提交，机构来源为 Harvard Dataverse，发布时间为 2026 年，来源站为 doi.org，主题标签为 Engineering，本站将其归类于心血管系统疾病 / 先天性心脏缺陷（儿童）。数据集聚焦 Fontan 术后单心室患者，包含基于心脏磁共振（CMR）的计算流体力学（CFD）血流动力学数据。源站描述指出，由 CMR 得到的 CFD 血流动力学在预测 Fontan 术后单心室患者不良事件方面展现出作为重要预测因子的潜力。整体而言，该数据集面向先天性心脏病术后血流动力学分析与不良事件预测研究，为相关工程计算与临床交叉研究提供数据基础。
【数据集背景】
Fontan 手术是单心室患者的重要术式，术后患者的血流动力学状态与不良事件风险密切相关。源站描述表明，基于 CMR 的 CFD 衍生血流动力学在预测此类患者的不良事件方面具有前景，这构成了该数据集的核心研究背景。数据集以 Engineering 为主题标签，体现了计算流体力学方法与医学问题交叉的特点，本站分类将其归入心血管系统疾病下的先天性心脏缺陷（儿童）方向。
【数据内容】
该数据集包含基于 CMR 的计算流体力学（CFD）血流动力学数据，研究对象为 Fontan 术后的单心室患者。源站描述强调 CFD 衍生血流动力学作为不良事件重要预测因子的潜力。关于数据的具体变量构成、样本量、文件格式与组织方式，源站未提供。
【采集与来源】
数据来源于 Harvard Dataverse，来源站为 doi.org，作者为 Wei, Zhenglun "Alan"，发布时间为 2026 年。数据所依据的影像基础为 CMR，并在此基础上开展 CFD 计算以获得血流动力学结果。关于采集机构、采集时间跨度、纳入排除标准等细节，源站未提供。
【适用场景】
基于源站描述，该数据集适用于 Fontan 术后单心室患者的血流动力学研究，尤其是围绕 CFD 衍生指标与不良事件预测关系开展的工程与临床交叉分析。其主题标签 Engineering 也提示其可用于计算流体力学方法在心血管领域的应用研究。关于其他具体应用场景，源站未提供。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.7910/DVN/FWDYDH
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据集大小约 1.1 MB。
数据说明
CFD-derived hemodynamics from CMR demonstrated promise as an important predictor of adverse events in single ventricle patients after Fontan.
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
