纵向混合成员影像-标量模型
用于阿尔茨海默病进展分析的纵向混合成员影像-标量模型补充数据集，包含MRI影像数据。
基本信息
资源简介
纵向混合成员影像-标量模型
【一句话概览】
本数据集是 figshare 公开的影像数据集，收录 3 个文件、合计 961.90 KB，主题涵盖 Alzheimer’s disease、Imaging data、Longitudinal analysis、Mixed membership model，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《Longitudinal Mixed Membership Image-on-Scalar Model》。配套论文《Longitudinal Mixed Membership Image-on-Scalar Model》发表于 Journal of Computational and Graphical Statistics（2025），DOI：10.1080/10618600.2025.2530757。项目资助方：Kai Kang was supported by the National Natural Science Foundation of China (12301368) and funded by Guangzhou Science and Technology Programme (No. 2024A04J4505). Xinyuan Song was supported by the Research Grant Council of the Hong Kong Special Administrative Region (14303622).。源站首次发布：2025-07-11。
【数据内容】
源站原始描述：Magnetic resonance imaging (MRI) data has been extensively applied in diagnosing and predicting Alzheimer’s disease (AD). However, there has been a notable oversight in addressing individual heterogeneity within longitudinal MRI data. This article introduces a novel modeling framework to elucidate the diverse dynamic patterns inherent in longitudinal imaging data, thereby facilitating a better understanding of individualized AD progression. The framework commences with a basis expansion approach…
中文译文（机器翻译，仅供快速理解，请以原文为准）：磁共振成像（MRI）数据已被广泛应用于阿尔茨海默病（AD）的诊断和预测。然而，在处理纵向MRI数据中的个体异质性方面仍存在明显忽视。本文提出了一种新的建模框架，用以阐明纵向影像数据中固有的多样化动态模式，从而有助于更好地理解个体化的AD进展。该框架首先采用基展开方法对纵向图像进行近似。随后，引入一个概率权重向量，刻画受试者在各聚类中的部分隶属关系。这种部分隶属关系允许受试者重复测量的影像数据属于不同聚类。最后，采用非线性轨迹模型来捕捉典型的正常衰老过程以及疾病进程中从正常到重度阶段的潜在转变。本文开发了一种结合高效MCMC算法的贝叶斯方法用于统计推断。大量模拟结果表明，所提方法在参数估计和模型选择方面具有有效性。该框架被应用于阿尔茨海默病神经影像学倡议（ADNI）数据集，为理解AD进展过程中脑结构的演变模式提供了见解。本文的补充材料可在线获取。
文件 ucgs_a_2530757_sm2980.md 为文本内容，开头为：# Supplementary Materials Longitudinal Mixed Membership Image-on-Scalar Model This repository contains supplementary materials for the paper on Longit…
【数据结构与技术规格】
文件数 3 个，合计 961.90 KB。code.zip：application/zip，11.60 KB。supplementary material.pdf：application/pdf，949.68 KB。ucgs_a_2530757_sm2980.md：text/plain，618 B。数据集 DOI：10.6084/m9.figshare.29546780.v1。
【主题与分类】
源站学科分类：Medicine、Information Systems not elsewhere classified、Mathematical Sciences not elsewhere classified。主题标签：Alzheimer’s disease、Imaging data、Longitudinal analysis、Mixed membership model。
【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://tandf.figshare.com/articles/dataset/Longitudinal_Mixed_Membership_Image-on-Scalar_Model/29546780
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Longitudinal Mixed Membership Image-on-Scalar Model. Taylor & Francis. Wu, Zhihao; Song, Xinyuan; Kang, Kai
【使用注意】
· 源站最后修改于 2025-08-21，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：Longitudinal Mixed Membership Image-on-Scalar Model
- DOI：10.6084/m9.figshare.29546780.v1
- 发布日期：2025-07-11
- 文件数：3 个
- 文件总体积：961.90 KB
- 源站页面：https://tandf.figshare.com/articles/dataset/Longitudinal_Mixed_Membership_Image-on-Scalar_Model/29546780
命令行下载
curl -L -o "code.zip" "https://ndownloader.figshare.com/files/56190821"
curl -L -o "supplementary material.pdf" "https://ndownloader.figshare.com/files/56190824"
curl -L -o "ucgs_a_2530757_sm2980.md" "https://ndownloader.figshare.com/files/56190827"
文件清单
code.zip（11.60 KB）supplementary material.pdf（949.68 KB）ucgs_a_2530757_sm2980.md（618 B）
文件总体积 961.90 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
Magnetic resonance imaging (MRI) data has been extensively applied in diagnosing and predicting Alzheimer’s disease (AD). However, there has been a notable oversight in addressing individual heterogeneity within longitudinal MRI data. This article introduces a novel modeling framework to elucidate the diverse dynamic patterns inherent in longitudinal imaging data, thereby facilitating a better understanding of individualized AD progression. The framework commences with a basis expansion approach to approximate the longitudinal images. Subsequently, a vector of probability weights is introduced, delineating a subject’s partial membership across clusters. Such partial membership allows the subject’s repeatedly measured imaging data to belong to different clusters. Finally, a nonlinear trajectory model is employed to capture the typical normal aging process and the potential transition from normal to severe stages during the disease course. A Bayesian approach coupled with efficient MCMC algorithms is developed for statistical inference. Extensive simulation results demonstrate the efficacy of the proposed methods in parameter estimation and model selection. The framework is applied to the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset, yielding insights into the evolving patterns of brain structures throughout AD progression. Supplementary materials for this article are available online.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.6084/m9.figshare.29546780.v1（source: https://tandf.figshare.com/articles/dataset/Longitudinal_Mixed_Membership_Image-on-Scalar_Model/29546780）。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
