多模态全心分割挑战数据集
多模态全心分割挑战数据集收录心脏CT和MRI影像及七个心脏结构的全心分割标注，数据模态为图像，适合艾森曼格综合征相关病例识别、诊断建模、分割检测、风险评估或临床研究复现。
基本信息
资源简介
多模态全心分割挑战数据集
【一句话概览】
MM-WHS 多模态全心分割挑战提供 120 例真实临床环境采集的多模态心脏影像，旨在为不同研究团队建立开放公平的竞赛，测试和验证其方法，尤其是多模态全心分割。该挑战不仅对各种全心分割算法进行基准评测，还涵盖通用心脏图像分割、配准与建模主题。准确计算、建模和分析全心亚结构对临床应用开发很重要，但全心图像的分割与配准仍具挑战且高度依赖人工，耗时且易出错（来源 zmiclab.github.io）。
【数据集背景】
本数据集源站标题为《MM-WHS: Multi-Modality Whole Heart Segmentation》。
【数据内容】
源站原始描述：Accurate computing, modeling and analysis of the whole heart substructures is important in the development of clinical applications. Segmentation and registration of whole heart images is however challenging and still relies heavily on manual work, which is time-consuming and prone to errors. The Challenge provides 120 multi-modality cardiac images acquired in real clinical environment. It aims at creating an open and fair competition for various research groups to test and validate their method…
中文译文（机器翻译，仅供快速理解，请以原文为准）：全心脏子结构的精确计算、建模与分析在临床应用的开发中至关重要。然而，全心脏图像的分割与配准极具挑战性，且仍大量依赖人工操作，既耗时又易出错。该挑战赛提供了120例在真实临床环境中获取的多模态心脏图像，旨在为各研究团队搭建一个开放、公平的竞赛平台，以测试和验证其方法，尤其是针对多模态全心脏分割。这不仅是为了对各种全心脏分割算法进行基准测试，还涵盖了通用心脏图像分割、配准与建模的主题。
【主题与分类】
主题标签：cardiac、whole heart segmentation、multi-modality、MRI、CT、image registration、modeling。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://zmiclab.github.io/zxh/0/mmwhs/
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://zmiclab.github.io/zxh/0/mmwhs/
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:
数据说明
MM-WHS 数据集包含心脏CT和MRI影像及七个心脏结构的全心分割标注，可围绕艾森曼格综合征（Eisenmenger syndrome）开展病例筛选、特征提取、诊断分类、分割检测、风险评估或预后分析。
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。
