低剂量CT对急性腹部疾病的诊断性能

数据集获取

源站：https://clinicaltrials.gov/study/NCT05651360

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：腹痛、急性疼痛、急性胆囊炎、急性阑尾炎、急性胰腺炎。背景：计算机断层扫描（CT）已成为现代临床医学中不可或缺的工具。随着其广泛普及，过去几十年中CT成像的使用量迅速增加。伴随辐射暴露的增加，辐射诱发恶性肿瘤的潜在风险增加已成为公共卫生关注的问题。腹部和盆腔CT扫描尤其如此，目前占CT总辐射剂量的50%。由于剂量降低的总体益处被图像质量下降所抵消，临床实践中期望出现能够在不影响图像质量的情况下降低辐射剂量的技术进步。在CT图像重建中，滤波反投影（FBP）自20世纪70年代初以来一直是主流的图像重建技术算法，2009年首批商用迭代重建（IR）算法作为补充。一种新型深度学习图像重建（DLIR）算法于2019年获得临床批准（TrueFidelity，GE Healthcare，Milwaukee，WI）。

其他供应商特定的深度学习图像重建算法也在不断涌现（AiCE，佳能医疗系统，日本大原）。正如一份技术白皮书所解释的那样，DLIR算法利用高剂量和低剂量的FBP数据集，在体模和患者病例上进行了训练，力求在不影响图像质量的前提下抑制图像噪声。深度学习图像重建的应用已显示出在不改变噪声纹理的情况下改善图像质量和降低剂量的潜力。对于急腹症患者，腹部和盆腔CT被认为是首选或次选的诊断方法。对于这些患者，快速准确的诊断至关重要，以避免治疗延误及后续并发症，如阑尾炎或憩室炎情况下的胃肠穿孔。另一方面，避免不必要的手术干预也很重要。

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。