摘要：该数据集包含心脏阻塞的MRI和CT影像及配套标注，用于心脏血管阻塞的自动检测、分割和分类研究。心脏阻塞（冠状动脉狭窄或闭塞）是冠心病的主要病理表现，可导致心肌缺血、心绞痛甚至心肌梗死，早期准确诊断对治疗决策和预后至关重要。
数据集概述
该数据集包含心脏阻塞的MRI和CT影像及配套标注，用于心脏血管阻塞的自动检测、分割和分类研究。心脏阻塞（冠状动脉狭窄或闭塞）是冠心病的主要病理表现，可导致心肌缺血、心绞痛甚至心肌梗死，早期准确诊断对治疗决策和预后至关重要。数据集提供原始医学影像、像素级分割掩码和结构化标注文件（边界框、类别标签），支持监督学习的多种任务：分割（精确勾画阻塞区域）、分类（判断阻塞存在性和类型）和检测（定位阻塞位置），为开发基于深度学习的心脏影像智能诊断系统提供标准化训练和评估数据。
数据结构与关键特征
数据集采用标准三分组结构（train/val/test），每组包含三个子目录：images/（心脏影像，MRI或CT扫描）、masks/（二值或多类别分割掩码标注阻塞区域）、annotations/（JSON或XML格式元数据，包含边界框坐标、类别标签、严重程度等信息）。数据组织确保一对一映射：每张图像对应唯一的掩码和标注文件，便于数据加载和模型训练。心脏阻塞在影像上呈现为冠状动脉管腔狭窄、钙化斑块、造影剂充盈缺损或血流信号减弱，MRI可显示心肌灌注异常，CT血管造影（CTA）可直接显示管腔狭窄和斑块特征。标注涵盖阻塞位置（左主干、前降支、回旋支、右冠等）、狭窄程度（轻度/中度/重度）和病变类型（钙化/非钙化斑块），支持多任务学习和细粒度诊断。
应用价值与研究方向
该数据集为冠心病精准诊断和介入治疗规划提供AI技术基础，可应用于冠状动脉阻塞自动检测、狭窄程度量化、斑块特征分析和手术风险评估。技术层面支持深度学习分割模型训练（U-Net、nnU-Net）、目标检测算法开发（YOLO、Faster R-CNN定位阻塞病灶）和多任务学习（同时分割心脏结构、检测阻塞、预测严重程度）。研究方向包括：多模态融合（结合MRI和CT的互补信息）、3D体积分析（从2D切片重建三维血管树）、钙化评分自动计算（Agatston评分）、跨设备域适应研究、可解释性AI生成诊断依据可视化、时序分析追踪阻塞进展、以及结合临床信息的心血管事件风险预测，为冠状动脉疾病筛查、介入治疗决策和预后评估提供AI辅助工具，推动心血管影像学智能化和精准医疗发展。
数据集来源
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-300
文件大小：570M
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)