主动脉瓣超声心动图钙化评分推导与验证确认重度主动脉瓣狭窄：Echo-AVCS研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07620925

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

疾病：主动脉瓣狭窄、慢性冠脉综合征、钙化性主动脉瓣疾病、钙化性主动脉瓣狭窄。Echo-AVCS研究是一项由研究者发起的、前瞻性、多中心观察性研究，旨在推导并验证基于人工智能（AI）的超声心动图主动脉瓣钙化评分（Echo-AVCS），用于确诊重度主动脉瓣狭窄（AS）。经胸超声心动图（TTE）是评估AS严重程度的标准影像学方法；然而，瓣口面积与跨瓣压差测量之间的不一致可能使诊断复杂化，尤其是在低流量或AS表现不一致的情况下。心脏计算机断层扫描（CT）衍生的主动脉瓣钙化评分目前用于解决诊断不确定性，但其涉及额外费用和辐射暴露。本研究将连续纳入接受临床指征TTE并在3个月内完成心脏CT钙化评分的成年患者。标准化的超声心动图图像将采用专用的基于AI的图像分割和机器学习方法进行集中分析，以直接从TTE图像中量化主动脉瓣钙化。

CT衍生的主动脉瓣钙化评分将作为参考标准。主要目标是推导并验证用于识别重度AS的Echo-AVCS评分。次要目标包括确定性别特异性诊断阈值、与CT钙化体积的相关性、与症状及NYHA分级的关联，以及评估与主动脉瓣置换、心力衰竭住院、心血管事件和1年随访时死亡率的预后关联。

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。