基于深度学习的冠状动脉微血管疾病人工智能研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT04598997

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：冠状动脉微血管疾病、人工智能、心血管疾病、心力衰竭。本研究旨在开发一种算法，能够通过监督式深度学习类型的人工智能方法分析冠状动脉造影图像，从而识别出在因STEMI住院时尽管血运重建成功但仍具有不良预后标准的患者。该方案将细分为4个步骤：- 步骤1：患者选择 通过PMSI数据进行数据挖掘以识别和选择患者。将通过电话随访联系患者，以核实参与同意并收集主要结局。患者医疗档案中的其他数据将通过PREDIMED收集。- 步骤2：数据标注 根据常规标准（TIMI血流=3、MBG=2或3且ST段回落>70%）为每位血运重建成功的患者识别其在因STEMI住院时是否呈现由随访时发生死亡或因心力衰竭再住院所定义的不良演变标准。

此步骤需要血管成形术专家的专业知识，并将生成一个包含600个病例的数据库。为了训练算法在STEMI血运重建背景下识别图像，还将识别1000例在稳定疾病背景下进行的正常冠状动脉造影。- 步骤3：开发一种分析冠状动脉造影图像的新方法，以识别血运重建效果不佳的患者。使用Tensorflow/Keras库开发一种监督式深度学习AI算法，训练其识别血运重建效果不佳的患者（预后不良的患者）。该算法将基于卷积神经网络方法，模型将使用前两个步骤的数据进行训练。感兴趣序列的全部或部分将用于模型输入，模型将在输出端提出患者预后良好或不良的概率。这1000例补充冠状动脉造影将用于

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。