基于CEUS灌注特征的亚区域肿瘤分割：提升乳腺肿瘤诊断

数据集获取

源站：https://clinicaltrials.gov/study/NCT06172270

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：乳腺肿瘤。乳腺癌是全球女性中最常见的癌症之一，其发病率不断上升，对女性健康构成重大威胁。尽管随着医学技术的不断进步，早期诊断和治疗取得了显著进展，但乳腺癌内部的高度异质性仍导致临床表现、治疗反应和疾病进展存在相当大的差异。这种多样性为实现精准治疗带来了新的挑战。因此，深入探索和研究乳腺癌的异质性对于开发更有效的诊断模型、推进治疗策略和提高治愈率至关重要。在当前临床实践中，尽管活检被广泛用于乳腺肿瘤良恶性的诊断，但由于乳腺癌内部复杂的异质性以及该操作的侵入性，其准确性和全面性在一定程度上受到限制。近年来，利用医学影像技术对乳腺癌进行术前定性诊断已成为研究热点。

与其他常用影像技术（如CT和MRI）相比，超声检查因其安全性、便捷性和较低成本而被广泛采用。特别是对比增强超声（CEUS）技术，凭借其优越的时间分辨率，能够生动地展示肿瘤灌注血流动力学的细节，有效揭示肿瘤的增强模式、血供及血管侵犯等关键特征。本研究致力于利用动态CEUS视频对肿瘤内像素级别的灌注特征进行聚类，并根据聚类结果将肿瘤划分为不同亚区。我们将探讨这些灌注亚区与乳腺肿瘤良恶性诊断之间的相关性，并在此基础上开发相关诊断模型。这种无创诊断方法旨在最大限度地挖掘和利用

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。