基于深度学习的智能诊疗研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07551622

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：错颌畸形、颅面形态、牙颌面畸形。本研究是一项基于影像的临床人工智能研究，旨在开发、训练和验证用于颅颌面多模态影像分析和智能临床决策支持的深度学习模型。计划纳入约2，000名参与者。所有参与者均具有在常规牙科、正畸、口腔颌面或相关临床诊疗过程中获取的颅颌面影像数据及相关临床信息。本研究使用的影像数据可能包括二维面部照片、锥形束计算机断层扫描图像和三维面部表面扫描。相关临床数据可能包括人口统计学信息、临床诊断、骨骼或牙科分类、头影测量数据、治疗相关记录以及可获得的专家评估。本研究将重点开发用于颅颌面图像分类、解剖标志点检测、区域分割、异常识别及治疗相关决策支持的人工智能模型。

在模型开发之前，所有影像数据将进行标准化预处理。预处理流程可能包括图像去标识化、质量评估、格式转换、图像方向校正、裁剪、分辨率标准化、灰度或强度归一化、空间配准以及感兴趣区域提取。对于二维图像，将根据具体影像任务定义标准化面部或放射学区域。对于锥形束计算机断层扫描和三维面部表面数据，预处理可能包括体积重建、表面重建、网格处理、点云处理或解剖结构提取。参考标签将来源于临床病历、临床医生诊断和专家手动标注。对于分割任务，解剖区域或结构将由经过培训的临床

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。