基于解剖结构的未植入经验人工耳蜗使用者适配研究
该数据集来自 clinicaltrials.gov，聚焦重度至极重度感音神经性听力损失患者的人工耳蜗适配问题。传统适配多采用默认频率分配图，未考虑耳蜗大小与形态的个体差异
基本信息
资源简介
基于解剖结构的未植入经验人工耳蜗使用者适配研究
该数据集英文名为 Anatomy-Based Fitting in Unexperienced Cochlear Implant Users，来源于 clinicaltrials.gov，主题聚焦人工耳蜗与感音神经性听力损失。据源站描述，重度至极重度听力损失影响全球约0.8%的人口，对这部分人群而言，传统助听器往往无法提供足够获益，而人工耳蜗（CI）可以带来帮助。人工耳蜗需要为每位使用者单独编程（适配），适配“图”被定义为按使用者需求个体化调整的一组电参数，以实现最佳声音感知。目前多数使用者采用默认频率分配图进行适配，未考虑耳蜗大小与形态的个体差异。本研究探索基于术后CT扫描的适配策略，使听力师能够设置可能更贴近自然频率拓扑分布的频带分布。本站将其归类为耳及乳突疾病 / 其他。
【数据集背景】
源站描述指出，重度至极重度听力损失影响全球0.8%的人口，传统助听器对这部分人常不能提供足够获益，人工耳蜗因此成为重要干预手段。人工耳蜗需要针对每位使用者进行个体化编程，即适配；适配“图”是一组按使用者需求个体化调整的电参数，目标是实现最佳声音感知。当前多数人工耳蜗使用者采用默认频率分配图进行适配，而该默认方案未将耳蜗大小和形态的个体差异纳入考虑。本研究即在这一背景下，探索基于术后CT扫描的适配策略，使听力师能够为人工耳蜗适配设置可能更贴近自然频率拓扑分布的频带分布。
【数据内容】
源站未提供。现有信息仅涉及研究主题与适配策略思路，未说明数据集包含的具体字段、记录数量、受试者信息、影像数据或适配参数等内容。
【采集与来源】
该数据集来源于 clinicaltrials.gov。源站描述提及研究采用基于术后CT扫描的适配策略，但未提供采集流程、样本量、采集时间、采集机构等具体信息。
【适用场景】
根据源站描述，该数据集相关研究面向重度至极重度感音神经性听力损失、使用人工耳蜗的人群，关注人工耳蜗适配中默认频率分配图未考虑耳蜗大小与形态个体差异的问题，并探索基于术后CT扫描设置频带分布的适配策略。其潜在应用方向与人工耳蜗个体化适配相关，但源站未提供具体适用场景的进一步说明。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。需注意，现有信息仅来自源站描述，未涉及数据质量评估、样本代表性、数据完整性或使用限制等内容。
【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/NCT05451628
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：人工耳蜗、感音神经性听力损失。重度至极重度听力损失影响全球0.8%的人口。对于这些人，传统助听器通常无法提供足够的益处。然而，这些人可以从人工耳蜗（CI）中获益。CI需要为每位接受者进行个体化编程（调试）。调试“映射图”被定义为一组根据接受者需求进行个体化调整的电参数，以实现最佳声音感知。目前，大多数CI接受者使用的是默认频率分配映射图，该映射图未考虑耳蜗大小和形状的个体差异。在本研究中，将评估一种基于术后CT扫描的调试策略，该策略将使听力学家能够为CI调试设置频带分布，从而可能更接近正常听力耳蜗的天然音调定位频率分布。
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。
