定量超声技术诊断非酒精性脂肪性肝炎
该数据集来自 clinicaltrials.gov,聚焦非酒精性脂肪性肝病(NAFLD)与非酒精性脂肪性肝炎(NASH)的超声诊断研究

基本信息
资源简介
定量超声技术诊断非酒精性脂肪性肝炎
该数据集来自 clinicaltrials.gov,聚焦非酒精性脂肪性肝病(NAFLD)与非酒精性脂肪性肝炎(NASH)的超声诊断研究。NASH 可进展为纤维化、肝硬化、肝衰竭和肝癌,肝活检虽是诊断参考标准,但因其有创性难以用于大规模筛查。研究团队开发了剪切波黏弹性成像和亚分辨率细胞成像等定量超声(QUS)技术,并假设多种 QUS 技术联合可提供互补评估。数据可用于探索无创诊断 NASH 的方法(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:非酒精性脂肪性肝病(NAFLD)、非酒精性脂肪性肝炎(NASH)。背景——非酒精性脂肪性肝病(NAFLD)是西方国家最常见的肝脏疾病。其更晚期形式非酒精性脂肪性肝炎(NASH)可能演变为纤维化、肝硬化、肝衰竭和肝癌。肝活检是目前诊断 NASH 的参考标准。然而,其有创性阻碍了其用于大规模筛查和诊断。我们团队的成员开发了创新的定量超声(QUS)技术(剪切波黏弹性成像和亚分辨率细胞成像),具有很高的诊断潜力。与磁共振(MR)相比的优势包括能够表征黏度、细胞组织和成本效益。我们假设,多种 QUS 技术联合提供互补评估 t
【主题与分类】
主题标签:Nonalcoholic Fatty Liver Disease (NAFLD)、Nonalcoholic Steatohepatitis (NASH)。本站分类:肿瘤/肝癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT03572465
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/NCT03572465
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
疾病:非酒精性脂肪性肝病(NAFLD)、非酒精性脂肪性肝炎(NASH)。背景——非酒精性脂肪性肝病(NAFLD)是西方国家最常见的肝脏疾病。其更晚期形式,非酒精性脂肪性肝炎(NASH),可能进展为纤维化、肝硬化、肝衰竭和肝癌。肝活检是目前诊断NASH的参考标准。然而,其侵入性阻碍了其用于大规模筛查和诊断。我们团队的成员开发了创新的定量超声(QUS)技术(剪切波粘弹性成像和亚分辨率细胞成像),具有很高的诊断潜力。与磁共振(MR)相比的优势包括能够表征粘滞性、细胞组织结构以及成本效益。我们假设,结合提供组织特征互补评估的QUS技术将能够区分NASH与NAFLD,并量化肝脏脂肪、炎症和纤维化的进展程度。目标——主要目标:1)确定QUS参数诊断NASH的准确性。
次要目标:2) 确定QUS在组织学判定的肝脏脂肪、炎症和纤维化分级中的诊断准确性。3) 比较QUS与MR技术在肝脏脂肪定量方面的诊断准确性。假设:我们假设QUS方法,包括粘弹性、同态K参数和衰减参数,能够表征NASH中遇到的组织特性(包括肝脏脂肪、炎症和纤维化)。方法学——设计:这将是一项横断面成像试验,旨在评估QUS技术在10名非肥胖志愿者和92名患者中的诊断准确性,以组织病理学作为患者的参考标准。配对的指标测试——基于QUS(机械和细胞参数)和基于MR(机械参数和反映组织含量的弛豫时间)的技术——将作为研究程序,在时间上紧邻参考测试(肝活检)进行。纳入标准
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。




