术前CT扫描AI分析卵巢肿瘤分类为良性、交界性或恶性

数据集获取

源站：https://clinicaltrials.gov/study/NCT07883551

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：卵巢癌、卵巢肿瘤、交界性卵巢肿瘤。* 背景与依据 术前区分良性、交界性和恶性卵巢肿瘤决定了转诊、手术方式和手术范围。基于超声的模型如IOTA-ADNEX和恶性风险指数（RMI）是当前的分类工具，但其性能在不同人群和使用者之间存在差异。CT常用于不确定病例或分期。目前尚无经过验证的CT诊断标准，判读依赖于阅片者。已发表的基于CT的计算机辅助诊断（CADx）模型多为单中心、二分类（良性与恶性），依赖手动肿瘤分割，且很少经过外部验证。交界性肿瘤需要不同的管理方式，但通常被排除或与恶性肿瘤合并。Catharina癌症研究所和埃因霍温理工大学（TU/e）的早期工作显示，在多中心CT数据集中，不同医院之间存在显著的域偏移（Koch等，2026）。

• 索引测试 索引测试是一种基于SPECTRE构建的CADx流程，SPECTRE是TU/e开发的一种CT基础模型，在超过250,000例CT扫描上通过自监督学习进行预训练。SPECTRE通过参数高效适配进行微调。预训练编码器保持冻结或部分解冻，并训练轻量级任务头用于肿瘤定位和三分类分类。该流程直接作用于CT体积。肿瘤定位在模型内部学习，因此训练或评估无需肿瘤掩膜或边界框。不确定性量化模块在每次预测的同时生成经过校准的置信度估计。整体架构固定。训练细节（如微调计划、损失加权和校准方法）可根据中期结果进行调整。基于放射组学的机器学习（手工特征与逻辑回归、支持向量机、随机森林或梯度提升等分类器结合）仅用于

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。