基于计算机断层扫描的机器学习区分肾上腺嗜铬细胞瘤与乏脂性腺瘤的数据表1
基于CT影像特征和机器学习模型，区分肾上腺嗜铬细胞瘤与乏脂性腺瘤的诊断研究数据集。
基本信息
资源简介
基于计算机断层扫描的机器学习区分肾上腺嗜铬细胞瘤与乏脂性腺瘤的数据表1
【一句话概览】
本数据集是 figshare 公开的影像数据集，收录 1 个文件、合计 246.50 KB，主题涵盖 adrenal incidentaloma、lipid-poor adenoma、subclinical pheochromocytoma、computed tomography、machine learning，可用于医学图像分割、检测与分类模型的训练与评测，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《DataSheet_1_Computed Tomography-Based Machine Learning Differentiates Adrenal Pheochromocytoma From Lipid-Poor Adenoma.docx》。配套论文《ADC histogram analysis for adrenal tumor histogram analysis of apparent diffusion coefficient in differentiating adrenal adenoma from pheochromocytoma》发表于 Journal of Magnetic Resonance Imaging（2016），DOI：10.1002/jmri.25452。源站首次发布：2022-03-21。
【数据内容】
源站原始描述：ObjectivesTo assess the accuracy of computed tomography (CT)-based machine learning models for differentiating subclinical pheochromocytoma (sPHEO) from lipid-poor adenoma (LPA) in patients with adrenal incidentalomas. Patients and MethodsThe study included 188 tumors in the 183 patients with LPA and 92 tumors in 86 patients with sPHEO. Pre-enhanced CT imaging features of the tumors were evaluated. Machine learning prediction models and scoring systems for differentiating sPHEO from LPA were bui…
中文译文（机器翻译，仅供快速理解，请以原文为准）：目的 评估基于计算机断层扫描（CT）的机器学习模型在肾上腺意外瘤患者中鉴别亚临床嗜铬细胞瘤（sPHEO）与乏脂性腺瘤（LPA）的准确性。 患者与方法 本研究纳入183例LPA患者的188个肿瘤，以及86例sPHEO患者的92个肿瘤。评估肿瘤的增强前CT影像特征。采用逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）方法，构建用于鉴别sPHEO与LPA的机器学习预测模型和评分系统。 结果 LR模型表现优于其他模型。包含三项CT特征——CTpre值、形态和坏死/囊性变的LR模型（M1）的受试者工作特征曲线下面积（AUC）为0.917，准确率为0.864。包含三项CT特征——CTpre值、形态和均质性的LR模型（M2）的AUC为0.888，准确率为0.832。S2评分系统（敏感性：0.859，特异性：0.824）与S1（敏感性：0.815；特异性：0.910）具有相当的诊断价值。 结论 我们的结果表明，使用无创影像方法，如基于CT的机器学习模型和评分系统，有望预测肾上腺意外瘤的组织学特征。该方法可能有助于肾上腺肿瘤患者的诊断和个性化诊疗。
【数据结构与技术规格】
文件数 1 个，合计 246.50 KB。DataSheet_1_Computed Tomography-Based Machine Learning Differentiates Adrenal Pheochromocytoma From Lipid-Poor Adenoma.docx：application/vnd.openxmlformats-officedocument.wordprocessingml.document，246.50 KB。数据集 DOI：10.3389/fendo.2022.833413.s001。
【主题与分类】
源站学科分类：Reproduction、Cell Metabolism、Endocrinology。主题标签：adrenal incidentaloma、lipid-poor adenoma、subclinical pheochromocytoma、computed tomography、machine learning、logistic regression。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/DataSheet_1_Computed_Tomography-Based_Machine_Learning_Differentiates_Adrenal_Pheochromocytoma_From_Lipid-Poor_Adenoma_docx/19388960
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Liu, Haipeng; Guan, Xiao; Xu, Beibei; Zeng, Feiyue; Chen, Changyong; Yin, Hong ling; et al. (2022). DataSheet_1_Computed Tomography-Based Machine Learning Differentiates Adrenal Pheochromocytoma From Lipid-Poor Adenoma.docx. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-06-03，引用时请注意版本时效。
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（Figshare）
- 源站标题：DataSheet_1_Computed Tomography-Based Machine Learning Differentiates Adrenal Pheochromocytoma From Lipid-Poor Adenoma.docx
- DOI：10.3389/fendo.2022.833413.s001
- 发布日期：2022-03-21
- 文件数：1 个
- 文件总体积：246.50 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/DataSheet_1_Computed_Tomography-Based_Machine_Learning_Differentiates_Adrenal_Pheochromocytoma_From_Lipid-Poor_Adenoma_docx/19388960
命令行下载
curl -L -o "DataSheet_1_Computed Tomography-Based Machine Learning Differentiates Adrenal Pheochromocytoma From Lipid-Poor Adenoma.docx" "https://ndownloader.figshare.com/files/34442114"
文件清单
DataSheet_1_Computed Tomography-Based Machine Learning Differentiates Adrenal Pheochromocytoma From Lipid-Poor Adenoma.docx（246.50 KB）
文件总体积 246.50 KB（源站 API 实测）。
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。
数据说明
ObjectivesTo assess the accuracy of computed tomography (CT)-based machine learning models for differentiating subclinical pheochromocytoma (sPHEO) from lipid-poor adenoma (LPA) in patients with adrenal incidentalomas.
Patients and MethodsThe study included 188 tumors in the 183 patients with LPA and 92 tumors in 86 patients with sPHEO. Pre-enhanced CT imaging features of the tumors were evaluated. Machine learning prediction models and scoring systems for differentiating sPHEO from LPA were built using logistic regression (LR), support vector machine (SVM) and random forest (RF) approaches.
ResultsThe LR model performed better than other models. The LR model (M1) including three CT features: CTpre value, shape, and necrosis/cystic changes had an area under the receiver operating characteristic curve (AUC) of 0.917 and an accuracy of 0.864. The LR model (M2) including three CT features: CTpre value, shape and homogeneity had an AUC of 0.888 and an accuracy of 0.832. The S2 scoring system (sensitivity: 0.859, specificity: 0.824) had comparable diagnostic value to S1 (sensitivity: 0.815; specificity: 0.910).
ConclusionsOur results indicated the potential of using a non-invasive imaging method such as CT-based machine learning models and scoring systems for predicting histology of adrenal incidentalomas. This approach may assist the diagnosis and personalized care of patients with adrenal tumors.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fendo.2022.833413.s001（source: https://frontiersin.figshare.com/articles/dataset/DataSheet_1_Computed_Tomography-Based_Machine_Learning_Differentiates_Adrenal_Pheochromocytoma_From_Lipid-Poor_Adenoma_docx/19388960）。
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。
