多对比度亚毫米级3T海马亚区分割协议及数据集

数据集获取

源站：https://doi.org/10.5061/dryad.gc72v

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。

数据集大小约 9.92 GB。

数据说明

海马由不同的解剖亚区组成，这些亚区参与多种认知过程，并在常见的神经和精神疾病中受到不同程度的累及。高场强MRI的进展使得能够无创地识别海马亚结构。然而，这些方法需要耗时的手动分割，且高度依赖解剖学专业知识。在此，我们共享基于25名健康受试者的手动标签及相关高分辨率MRI数据（MNI-HISUB25；亚毫米级T1和T2加权图像、详细序列信息以及立体定位概率解剖图）。数据在广泛可用的3 Tesla MRI系统上使用32通道相控阵头部线圈采集。该方案将海马结构分为三个亚区：下托复合体、合并的安蒙角1、2和3（CA1-3）亚区，以及CA4-齿状回（CA4-DG）。分割由髓鞘密集的分子层一致的强度和形态特征，以及少数可灵活适应整体内侧颞叶解剖结构的基于几何的边界指导，并实现了优异的评估者内/评估者间信度（Dice指数 ≥90/87%）。该数据集可为内侧颞叶的神经影像学评估提供信息，并有助于开发与基础及临床神经科学相关的分割算法。

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。