摘要：新生儿人体测量图像数据集是一个专门用于基于计算机视觉和深度学习的新生儿生长分析的临床医学影像数据集，包含临床获取的新生儿图像和结构化体格测量数据。
数据集简介
数据集概述
新生儿人体测量图像数据集是一个专门用于基于计算机视觉和深度学习的新生儿生长分析的临床医学影像数据集，包含临床获取的新生儿图像和结构化体格测量数据。数据集包含83名新生儿（55名男婴、28名女婴），在印度北方邦考沙姆比县曼詹普尔联合地区医院的受控临床条件下采集。每名新生儿拥有独立文件夹（Baby-1至Baby-N），包含多张不同角度和分辨率的新生儿图像（JPG/JPEG/PNG格式，无固定文件命名规则，可变分辨率和方向）以及结构化的人体测量CSV文件（neonatal_measurements.csv）。测量指标涵盖关键生长参数：姓名、出生日期、头围、臂长、腿长、胸围、总体长、体重和妊娠周，每行数据对应一个新生儿文件夹，为建立图像特征与体格测量值之间的映射关系提供了完整的监督信号。所有数据经过匿名化处理，严格遵循医学伦理标准，适用于计算机视觉模型训练、深度学习研究、新生儿人体测量学评估、生长预测建模、儿科AI研究和医学影像基准测试。
数据结构与关键特征
数据集采用分层文件夹结构，每个新生儿（Baby-1至Baby-N，共83个文件夹）拥有独立目录，包含可变数量的图像文件（JPG/JPEG/PNG格式，无固定命名规则，可变分辨率和方向）和一个全局CSV测量表（neonatal_measurements.csv，包含9个字段：姓名、出生日期、头围、臂长、腿长、胸围、总体长、体重、妊娠周）。
关键特征包括：多模态数据融合（视觉图像与结构化数值测量的配对）、性别分布（55名男婴、28名女婴，约2:1比例）、真实临床环境采集（非实验室受控拍摄，包含自然光照变化、姿势多样性、部分遮挡等真实挑战）、关键生长指标全覆盖（头围、臂长、腿长、胸围、总体长、体重和妊娠周共7项WHO推荐的新生儿体格评估指标）、以及妊娠周信息（支持早产儿与足月儿的差异化建模）。
图像特征体现真实临床数据的非标准化特性：可变分辨率、不同拍摄角度（正面、侧面、俯卧等）、无统一命名规则（需自定义预处理流程）。CSV文件提供精确的数值标注，使数据集同时支持回归任务（预测具体测量值）和分类任务（生长状态评估）。数据集的临床真实性体现在新生儿肤色、姿势、表情的自然多样性，以及不同妊娠周（早产至足月）带来的生理发育差异，为构建鲁棒的临床级AI系统提供了宝贵的真实世界数据。
应用价值与研究方向
该数据集在儿科智能医疗、新生儿健康监测、发展中国家医疗资源优化和计算机视觉医学应用领域具有重要价值，可用于开发基于图像的新生儿体格自动测量系统、生长发育评估工具、营养不良筛查平台、早产儿健康监测系统以及移动端新生儿健康自检APP。
研究方向包括：基于深度学习的人体测量值回归预测（头围、臂长、腿长、胸围、总体长、体重的自动估算）、多任务学习（同时预测多个体格指标）、关键点检测与姿态估计用于自动测量、3D人体重建与体积估算、妊娠周预测与早产儿识别、生长曲线拟合与异常检测、迁移学习在小样本医学数据中的应用、以及联邦学习在隐私保护新生儿数据分析中的探索。数据集特别适合研究非接触式人体测量技术（替代传统手工测量，减少新生儿应激反应）、低资源环境下的轻量级模型部署（适配基层医疗机构的移动设备）、以及跨种族/跨地域的生长标准差异建模。此外，该数据集还可支持儿科疾病风险预测、营养干预效果评估、人口健康大数据分析等扩展应用。在全球每年约1500万早产儿出生、发展中国家新生儿死亡率居高不下的背景下，该数据集为推动AI辅助新生儿健康监测技术在资源匮乏地区的应用、提升早期生长异常识别能力、降低儿童死亡率和发育障碍发生率提供了重要的数据基础和技术支撑。
数据集来源
医院的受控临床条件下采集。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-190
文件大小：347M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)