用于鉴别卵巢良恶性肿块的超声射频数据

数据集获取

源站：https://clinicaltrials.gov/study/NCT06473766

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：卵巢癌。超声成像为鉴别卵巢肿块的良恶性提供了有用信息。对卵巢肿块进行分类的最准确数学模型是IOTA ADNEX模型。该模型可评估恶性风险，在区分良恶性附件肿块方面，其表现与经验丰富的超声检查者的主观评估相似。IOTA ADNEX区分良恶性肿块的能力非常好（受试者工作特征曲线下面积为0.937（95% CI：0.915-0.954））。即使由不同经验和培训水平的操作者使用，ADNEX模型仍能保持其准确性。根据IOTA术语，超声检查发现的卵巢肿块中有13%被归类为实性。实性卵巢肿块的恶性风险为60%-75%2，且在这一形态学类别中区分良恶性具有挑战性。此外，据估计，30%（25/84；95% CI 18至44%）的实性恶性卵巢肿块是来自非卵巢肿瘤的转移。

区分原发性卵巢癌与卵巢转移性肿瘤对于制定恰当的治疗方案同样具有重要临床意义。值得探索诊断工具在识别超声实性形态卵巢肿块方面的预测性能。一项单中心回顾性研究提供的影像组学分析和卵巢肿块的初步数据（未发表）表明，实性形态的良性和恶性卵巢肿块具有不同的影像组学特征。然而，在原发性卵巢癌与卵巢转移癌之间未观察到统计学显著差异。超声工程领域正在涌现一项新技术：超声总和射频数据分析——由超声束与人体组织界面生成的原始数据。迄今为止，原始数据尚未用于常规成像，其最终

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。