基于MRI与人工智能的眼眶肿瘤风险分层

数据集获取

源站：https://clinicaltrials.gov/study/NCT06336499

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：眼眶肿瘤。尽管眼眶肿瘤不如其他眼部疾病常见，但它们对患者可能极为有害。它们不仅可导致身体外貌的损毁，还可能引起视力下降和眼球运动受限等功能障碍。眼眶肿瘤可分为良性与恶性，其生物学行为、治疗方法、结果及预后存在显著差异，这增加了鉴别诊断和治疗选择的复杂性。对于恶性病变，由于病理类型和分期的不同，患者的治疗方案及预后亦有所差异。因此，临床迫切需要制定眼眶肿瘤的准确诊断方法。多参数磁共振成像（mp-MRI）目前是诊断眼眶肿瘤的首选非侵入性成像技术。

本研究以眼眶肿瘤风险分层的精准诊断为研究中心，利用人工智能算法技术探索MRI图像与眼眶肿瘤良恶性鉴别诊断、组织学类型及恶性肿瘤Ki-67表达水平之间的内在联系，旨在整合临床信息与定量MRI特征构建预测模型，辅助指导眼眶肿瘤患者的个体化诊疗决策，促进人工智能技术的应用与发展。具体而言，研究目标如下：1. 利用多中心多序列MRI数据集建立基于深度学习的眼眶肿瘤自动分割模型，从而减少手动勾画所需时间，为后续分析提供便利。2. 结合多序列MRI数据集，利用多种机器学习算法开发眼眶肿瘤良恶性鉴别模型，以

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。