1、FeTA2024数据集
该数据集包括临床获得的神经典型和病理性大脑的胎儿大脑重建，涵盖一系列孕龄。对于每个病例，除了标签图外，还将给出孕龄（以周为单位）以及神经典型/病理性标签。每个病例将为 256x256x256 体素，但每个机构的病例分辨率是独立的。测试数据集将包含 180 个病例。每个病例都包含一组标签图，包括组合标签图以及为方便起见分为单个文件的所有标签。 下载链接：
https://fetachallenge./pages/Data_download
2、Aims-Tbi2024数据集
中度至重度创伤性脑损伤（msTBI）是由于外力（例如：交通事故、跌倒、运动）导致大脑在颅骨内快速移动，导致复杂的病理生理变化。多个原发性、继发性和手术相关过程有可能导致大脑结构变形。每个患有 msTBI 的患者都有这些结构变化的独特积累，导致极其异质性病变，被认为是 msTBI 的标志。这些病变与其他常见的脑部病变（中风、多发性硬化症、脑肿瘤）不同，因为它们可以是局灶性的或弥漫性的，大小、数量和侧向性各不相同，延伸到多种组织类型（GM/WM/CSF），并且也可以发生在两个半球的同源区域。训练数据一共有388例数据，图像大小都是256x256x256。标签是二值化mask。下载链接：https://aims-tbi./
3、CGIAMTP2024 数据集
错误的牙合性是指上颌拱门的牙齿之间的错位或不正确的关系，当它们彼此接近时，下颌近距离接近。正畸治疗方法，可在颅骨结构和闭塞之间实现生理和美学和谐的最佳关系。该处理涉及通过对准和/或拔牙来调节面部骨骼和牙齿。当前的手动或计算机辅助治疗计划过程是艰苦且耗时的，因为它需要对正畸医生进行几次修订。因此，有效的治疗计划系统对于帮助正畸医生分析错误牙髓病例，简化治疗工作流程并提高整体效率至关重要。挑战的主要任务是牙齿重排。具体而言，鉴于患者的32颗牙齿的点云，该任务的目的是重新排列牙齿以预测牙齿的处理后对齐。下载链接：
https://codalab.lisn./competitions/18999#participate-get_starting_kit
4、Endoscapes2024数据集
自动评估关键安全视图 (CVS) 是外科数据科学中的一个重要问题，近年来引起了人们的关注。与迄今为止研究过的许多外科数据科学任务（例如相位识别、工具检测/分割）不同，CVS 评估尤其具有挑战性，因为它依赖于对细粒度解剖结构和概念的准确和精确识别。Endoscapes2024是一套带有注释的腹腔镜胆囊切除术视频数据集，专门用于解决自动 CVS 评估问题：即帧级 CVS 注释以及与 CVS 评估相关的关键解剖结构/区域的分割/边界框（例如肝囊三角、胆囊动脉/导管和胆囊板）。数据下载：
https://s3./camma_public/datasets/endoscapes/endoscapes.zip
5、UWF4DR2024数据集
为了推动 UWF 眼底图像自动 DR 分析的最新进展，组织了糖尿病视网膜病变超广角眼底成像挑战赛。该挑战赛鼓励研究人员开发使用 UWF 眼底图像进行 DR 分析的不同任务的算法，包括 UWF 眼底图像数据评估、DRD 分类和 DME 分类。一方面，图像质量评估任务确保用于分类的图像具有足够的质量。另一方面，DR 和 DME 的分类为自动分析提供了基础，可以帮助管理 DR 患者。数据下载：
https://drive.google.com/drive/folders/1_7QjciJMCZGDfy87k9_vwA9kGs_AaUhj
6、MBAS2024数据集
心房颤动 (AF) 是最常见的心律失常形式，与大量的发病率和死亡率相关。由于缺乏对直接维持人类心房中房颤的潜在心房解剖结构的基本了解，目前房颤的临床治疗效果不佳。近年来，晚期钆增强磁共振成像（LGE-MRI）被广泛用于研究纤维化/疤痕，利用LGE-MRI对房颤患者进行的临床研究表明，心房纤维化的程度和分布可用于可靠地预测消融成功率。因此，直接分析AF患者的心房结构对于提高对AF的理解和针对患者的针对性治疗至关重要。提供最大的双心房 LGE-MRI 数据集，包括 70 个用于训练的 3D LGE-MRI 扫描、30 个用于验证，以及另外 100 个指定用于最终测试阶段的扫描。分割任务：左心房，右心房，房壁。数据下载：
https://codalab.lisn./competitions/18516#learn_the_details-overview
7、TotalSegmentator2024数据集
磁共振成像 (MRI) 是诊断成像中不可或缺的工具，无需使用电离辐射即可提供人体的详细图像。这种先进的成像技术依靠磁场和射频脉冲来产生详细的图像，这些图像对于诊断从神经系统疾病到肌肉骨骼损伤等一系列医疗状况至关重要。虽然 MRI 提供了无与伦比的细节，但这些图像的手动分割需要放射科医生付出大量努力，这个过程非常耗时，容易受到评分者间差异的影响，并且容易出错。自动图像分割技术的出现有望解决这些限制。这些自动化系统可以潜在地减少放射科医生的工作量，最大限度地减少人为错误，并提供更一致和可重复的结果，并且可以有多种临床应用，例如治疗计划或疾病进展监测，以及支持新兴的机会性筛查领域。在 298 张 MR 图像中，分割出 56 个解剖结构，涵盖了大多数用例的大多数相关类别。MR 图像是从临床常规中随机抽样的，因此代表了一个可推广到临床应用的真实世界数据集。该数据集包含各种不同的病理、扫描仪、序列和机构。数据下载：
https:///records/11367005
8、PanSegData2024数据集
计算机断层扫描 (CT) 成像在胰腺疾病的诊断和管理中起着关键作用。CT广泛可用，可以快速执行，并提供胰腺和周围结构的详细横截面成像。这些优势使 CT 成为检测各种胰腺疾病的宝贵工具，包括急性和慢性胰腺炎以及囊性或实体肿瘤病变。使用CT扫描的深度学习算法的最新突破已证明在检测胰腺癌方面的准确性有所提高，强调了这种方式的诊断效用和人工智能的潜力。尽管取得了这些进步，但磁共振成像 (MRI) 仍比 CT 具有两个宝贵的优势：不受电离辐射照射和卓越的软组织对比度分辨率。这些优势转化为更高的诊断准确性，特别是对于胰腺囊性病变 。经 IRB 批准后，从 5家机构收集了 767 次 MRI 扫描（385 次 T1W 和 382 次 T2W）。这两个序列都包含在内，以提供互补信息：特定胰腺病变（例如腺癌）在 T1 加权图像上更能显示为低信号（较暗）病变。相反，囊性病变由于其高液体含量而在 T2 加权图像上显得更显眼。中心如下：中心#1：纽约大学 (NYU) 医学中心，中心#2：佛罗里达梅奥诊所 (MCF)，中心#3：西北大学 (NU)，中心#4：阿勒格尼健康网络 (AHN)，中心#5：亚利桑那州梅奥诊所 (MCA)。数据下载：https://github.com/NUBagciLab/PaNSegNet9、MYOSAIQ2024数据集
MYOSAIQ2024挑战赛的独创性在于对由439次MR-LGE检查组成的大型数据库的分析，这些检查是在再灌注治疗后心肌梗死的急性和晚期获得的完全注释的心脏 LGE MRI，具有临床常规中遇到的各种图像特性，并整合了日常临床心脏成像中遇到的主要各种问题，即：心脏病理生理学的纵向演变;图像伪影的存在;使用不同的MR采集技术（3D与2D PSIR）;使用来自不同中心的不同 MR 采集设置。训练数据库由 358 名患者组成，如下：98 例 MI 后 4-8 天发生急性心肌梗塞的患者（MIMI 队列）；155 名患者在 PCI 和再灌注后 1 个月获得了 LGE 图像（HIBISCUS-STEMI 队列）；105 名患者在 PCI 和再灌注后 12 个月获得了 LGE 图像（HIBISCUS-STEMI 队列）。测试数据库由81名患者组成，如下：25 例 MI 后 4-8 天发生急性心肌梗塞的患者（MIMI 队列）；32 名患者在 PCI 和再灌注后 1 个月获得 LGE 图像（HIBISCUS-STEMI 队列）；24 名患者在 PCI 和再灌注后 12 个月获得了 LGE 图像（HIBISCUS-STEMI 队列）。数据下载链接：
https://www.creatis./Challenge/myosaiq/dataset_access.html10、CURVAS2024数据集
在医学成像中，深度学习模型通常负责描绘复杂解剖结构（如肿瘤、血管或器官）内的结构或异常。不确定性源于这些结构固有的复杂性和多变性，导致难以准确定义其边界。这种不确定性因评分者之间的差异而进一步加剧，因为不同的医学专家对真正的边界可能有不同的看法。挑战队列包括 2023 年 8 月至 2023 年 10 月期间在埃尔朗根大学医院前瞻性收集的 90 张 CT 图像。每张 CT 将有多个类别：背景 (0)、胰腺 (1)、肾脏 (2) 和肝脏 (3)。此外，每张 CT 将有来自不同专家的三位不同的注释者，其中包含之前指定的四个类别。训练集：提供 20 张属于 A 组的 CT 扫描，并附有相应的注释。验证集：提供5张属于 A 组的CT 扫描。不对外公开。测试集：提供65 张CT扫描进行评估。20 张属于 A 组，22 张属于 B 组，23 张属于 C 组。不对外公开。数据下载链接：https:///records/11147560
- 本文固定链接: https://zydq.1006ss.com/?p=42943
- 转载请注明: y930712 于 中药养生知识-中草药的功效与作用 发表
