瓣膜性心脏病的对比影像学评估
该数据集来自 clinicaltrials.gov,聚焦瓣膜性心脏病,涵盖主动脉瓣狭窄、主动脉瓣反流与二尖瓣反流等病变。研究以心脏磁共振(CMR)为参考标准,比较三维经胸超声心动图(3D TTE)与二维经胸超声心动图(2D TTE)评估瓣膜病变严重程度的准确性,并参照跨学会指南推荐的整合分级方法

基本信息
资源简介
瓣膜性心脏病的对比影像学评估
该数据集来自 clinicaltrials.gov,聚焦瓣膜性心脏病,涵盖主动脉瓣狭窄、主动脉瓣反流与二尖瓣反流等病变。研究以心脏磁共振(CMR)为参考标准,比较三维经胸超声心动图(3D TTE)与二维经胸超声心动图(2D TTE)评估瓣膜病变严重程度的准确性,并参照跨学会指南推荐的整合分级方法。同时评估CMR所测局灶性与弥漫性心肌纤维化的患病率,以及心肌纤维化严重程度是否可预测症状出现、瓣膜手术转诊与不良心室重构。可用于瓣膜病影像评估与心肌纤维化相关研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:瓣膜性心脏病、主动脉瓣狭窄、主动脉瓣反流。本研究的目的是,通过将3D TTE与2D TTE在评估主动脉瓣狭窄、主动脉瓣反流和二尖瓣反流患者瓣膜性心脏病严重程度方面的表现,与心脏磁共振(CMR)这一参考标准进行比较,并在不同病因和瓣膜病变机制受试者中与跨学会指南推荐的瓣膜病变整合分级方法进行比较,从而对比3D TTE与2D TTE的准确性。另一目标是评估经CMR评估的主动脉瓣狭窄、主动脉瓣反流和二尖瓣反流患者中局灶性和弥漫性心肌纤维化的患病率。此外,研究者旨在确定心肌纤维化的严重程度是否可预测症状出现、瓣膜手术转诊和不良心室重构。
【主题与分类】
主题标签:Valve Heart Disease、Aortic Stenosis、Aortic Regurgitation。本站分类:循环系统疾病/心力衰竭。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT04126018
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://clinicaltrials.gov/study/NCT04126018
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
疾病:瓣膜性心脏病、主动脉瓣狭窄、主动脉瓣反流。本研究的目的是,通过将3D TTE与2D TTE在评估主动脉瓣狭窄、主动脉瓣反流及二尖瓣反流患者瓣膜性心脏病严重程度方面的准确性与心脏磁共振(CMR)这一参考标准进行比较,并在不同病因和瓣膜病变机制受试者中,与跨学会指南推荐的瓣膜病变分级综合方法进行比较,从而对比3D TTE与2D TTE的准确性。另一目的是评估主动脉瓣狭窄、主动脉瓣反流及二尖瓣反流患者中经CMR评估的局灶性和弥漫性心肌纤维化的患病率。此外,研究者旨在确定心肌纤维化的严重程度是否可预测症状发作、瓣膜手术转诊及不良心室重构。研究者还旨在观察将接受CRT植入的患者,以预测其对治疗的反应。在基线时,将完成体力活动快速评估问卷和堪萨斯城心肌病问卷。
需要进行6-12个月的随访,包括一次简化的非增强研究性心脏MRI和受试者问卷。其他随访将包括使用电子病历和社会保障死亡索引数据库来获取结局,如死亡、心力衰竭住院、二尖瓣或主动脉瓣干预以及心血管死亡。部分患者将在入组时被要求接受仰卧位自行车运动负荷MRI。本亚研究将纳入约40名受试者。本亚研究的额外排除标准:* 无法踩踏仰卧位自行车 * 需要补充氧气 在运动负荷MRI期间,患者将被要求在一辆安装在MRI平台上的仰卧自行车上骑行。在此测试期间,将有一名护理人员在场。将使用心电图(ECG)获取心脏活动描记。呼吸、血压、一
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。




