阿尔茨海默病多核成像神经增强分辨率数据集
AD-MINER 是一个前瞻性单中心队列数据集，计划纳入 750 名正常对照、MCI 与 AD 参与者并随访至少四年。数据涵盖 7T 多模态多核（¹H、²³Na）MRI、血浆生物标志物与遗传数据，并整合结构、功能、钠成像及神经心理与血液指标，可用于基于人工智能的阿尔茨海默病早期诊断与风险预测研究（来
基本信息
资源简介
阿尔茨海默病多核成像神经增强分辨率数据集
AD-MINER（Alzheimer's Disease Multinuclear Imaging Neuro-Enhanced Resolution）是一个面向阿尔茨海默病（AD）早期识别的前瞻性单中心队列数据集，计划纳入750名参与者，涵盖正常对照、轻度认知障碍（MCI）及AD人群，并开展至少四年的随访。该数据集以超高场7T多模态、多核（氢-1[¹H]、钠-23[²³Na]）磁共振成像为核心，同时结合血浆生物标志物与遗传数据，整合结构、功能与钠成像信息以及神经心理和血液指标，支持基于人工智能的早期诊断与风险预测研究。据源站描述，该研究旨在填补早期检测的技术空白，并建立首个面向中国人群的标准化7T AD神经影像数据库。
【数据集背景】
阿尔茨海默病及其所致轻度认知障碍的早期识别是临床与科研关注的重点。AD-MINER依托clinicaltrials.gov登记的研究设计，采用前瞻性、单中心队列形式，面向正常对照、MCI与AD三类参与者开展长期随访。研究关注早期神经影像生物标志物的发现，并试图阐明钠代谢异常在阿尔茨海默病中的临床意义。源站描述指出，该研究致力于应对早期检测中的技术缺口，并为中国人群提供标准化的7T AD神经影像数据库。
【数据内容】
数据集包含多类数据模态：7T超高场多模态磁共振成像，涵盖结构成像、功能成像与钠成像；多核成像涉及氢-1（¹H）与钠-23（²³Na）；同时包括血浆生物标志物数据与遗传数据，以及神经心理测评指标和血液-based标志物。上述结构、功能与钠成像数据将与神经心理及血液指标进行整合，用于人工智能驱动的早期诊断与风险预测分析。
【采集与来源】
数据来源于clinicaltrials.gov所描述的前瞻性单中心队列研究。该队列计划纳入750名参与者，包括正常对照、MCI与AD个体，随访时间至少四年。成像采集采用超高场7T多模态与多核（¹H、²³Na）MRI方案，并结合血浆生物标志物与遗传数据采集。
【适用场景】
该数据集适用于阿尔茨海默病早期神经影像生物标志物研究、钠代谢异常的临床意义探索，以及结构、功能、钠成像与神经心理、血液指标的多模态整合分析。源站描述明确其可用于基于人工智能的早期诊断与风险预测研究，并可作为中国人群7T AD神经影像的标准化数据库资源。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/NCT07089303
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
条件：阿尔茨海默病、阿尔茨海默病所致轻度认知障碍。本前瞻性单中心队列将纳入750名参与者（正常对照、MCI和AD），随访至少四年。研究采用超高场7T多模态和多核（氢-1[¹H]、钠-23[²³Na]）MRI，结合血浆生物标志物和遗传数据，旨在识别早期神经影像生物标志物，并阐明钠代谢异常在AD中的临床意义。结构、功能和钠成像数据将与神经心理学和血液标志物整合，利用人工智能进行早期诊断和风险预测。该研究将填补早期检测的技术空白，并为中国人群提供首个标准化的7T AD神经影像数据库。
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。
