基于超声的自动分割影像组学技术在糖尿病肾病中的应用
该数据集来自 clinicaltrials.gov，聚焦糖尿病肾病，属于内分泌、营养和代谢疾病/糖尿病分类。研究背景是超声检查便捷、廉价且无创，但常规超声难以凭肉眼准确区分糖尿病肾病与正常肾脏
基本信息
资源简介
基于超声的自动分割影像组学技术在糖尿病肾病中的应用
该数据集英文名为 Automatic Segmentation Ultrasound-based Radiomics Technology in Diabetic Kidney Disease，来源于 clinicaltrials.gov，聚焦糖尿病肾病（Diabetic Kidney Disease），在分类上属于内分泌、营养和代谢疾病 / 糖尿病方向。其研究背景在于：超声检查是一种便捷、廉价且无创的肾脏检查方法，但常规超声区分糖尿病肾病与正常肾脏的能力有限，仅凭肉眼难以准确鉴别。近年来计算机科学快速发展，人工智能在数据分析领域不断取得进展，机器学习作为广义人工智能的一个方向，其主要特征是让机器自主预测并创建算法，从而实现自主学习。该数据集即围绕超声影像与相关智能分析技术展开，主题标签为 Diabetic Kidney Disease。
【数据集背景】
糖尿病肾病是糖尿病的相关并发症之一，属于内分泌、营养和代谢疾病范畴。在临床检查中，超声 examination 具有便捷、廉价、无创的优势，是肾脏检查的常用手段。然而，常规超声在区分糖尿病肾病与正常肾脏方面能力有限，仅依靠肉眼观察难以实现准确鉴别。与此同时，计算机科学与人工智能持续发展，人工智能在数据分析中的应用不断取得进展。机器学习作为广义人工智能的一个方向，强调让机器自主预测并创建算法，以实现自主学习。该数据集正是在这一背景下，探索基于超声的影像组学与自动分割技术用于糖尿病肾病相关分析。
【数据内容】
该数据集的主题标签为 Diabetic Kidney Disease，英文名称为 Automatic Segmentation Ultrasound-based Radiomics Technology in Diabetic Kidney Disease。其关注的核心内容是超声影像、自动分割以及影像组学技术在糖尿病肾病中的应用。源站描述提到，研究涉及 image omics 与 de 等内容，但该描述在此处中断，未提供完整信息。除上述主题与方向外，源站未提供关于具体样本量、图像数量、变量字段、标注格式或数据规模的进一步说明。
【采集与来源】
该数据集来源于 clinicaltrials.gov。源站描述显示，其研究条件为 Diabetic Kidney Disease，并围绕超声检查展开。超声 examination 被描述为便捷、廉价且无创的肾脏检查方法。关于采集地点、采集时间、设备型号、受试者纳入与排除标准、伦理审批信息等，源站未提供。
【适用场景】
基于现有信息，该数据集适用于糖尿病肾病相关的超声影像分析研究，尤其是涉及自动分割与影像组学技术的方向。其背景指向利用人工智能和机器学习方法，对超声图像进行数据分析，以辅助区分糖尿病肾病与正常肾脏。由于常规超声肉眼鉴别能力有限，该数据集所涉及的技术路线可能用于提升识别的客观性与准确性。但具体应用场景、任务类型、评价指标及临床落地方式，源站未提供。
【使用方法】
源站未提供该数据集的具体使用方法，包括数据读取方式、预处理流程、模型训练与验证方案、标注使用说明或代码工具等。源站描述仅提及机器学习可自主预测并创建算法以实现自主学习，以及研究涉及影像组学与相关技术，但未给出可操作的使用指南。
【质量与限制】
该数据集的一个明确限制来自临床背景：常规超声区分糖尿病肾病与正常肾脏的能力有限，仅凭肉眼难以准确鉴别。这既是研究动机，也提示单纯依赖常规超声判读可能存在不足。源站描述在“image omics and de”处中断，未提供完整的研究方法、样本特征、数据质量评估、偏倚控制或验证结果。因此，关于数据完整性、标注可靠性、泛化能力及局限性，源站未提供充分信息。
【引用与许可】
源站未提供该数据集的引用格式、许可协议、使用条款或访问限制。该数据集来源于 clinicaltrials.gov，但关于其具体注册编号、数据共享政策及授权方式，源站未提供。
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/NCT05025540
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
条件：糖尿病肾病。超声检查是一种便捷、廉价且无创的肾脏检查方法。然而，常规超声区分糖尿病肾病与正常肾脏的能力有限，仅凭肉眼难以准确区分糖尿病肾病与正常肾脏。近年来，计算机科学发展迅速，人工智能不断发展。人工智能在数据分析中的应用取得了很大进展。机器学习是广义人工智能的一个方向，其主要特征是使机器自主预测并创建算法，从而实现自主学习。肾脏疾病和深度学习是机器学习领域中的两种不同方法。在本研究中，采用影像组学和深度学习对图像进行分析。影像组学提取传统图像特征，包括形状、灰度、纹理等，并使用机器学习（模式识别）模型进行分类和预测，如支持向量机、随机森林、XGBoost等。
深度学习直接利用卷积网络CNN提取特征，并结合全连接层等完成分类与预测。本研究旨在探索基于自动分割超声影像组学技术的糖尿病肾病及其病理程度检测，挖掘超声图像内部信息，形成一套无创监测糖尿病肾病并发症发展的系统，尤其在基层医疗机构具有广阔的临床应用前景。
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。
