儿童多小脑回畸形MRI数据集

摘要：该儿童多小脑回畸形MRI数据集专门用于检测儿童脑部MRI中的多小脑回畸形（Polymicrogyria, PMG），这是一种罕见的皮质发育畸形。

数据集概述

该儿童多小脑回畸形MRI数据集专门用于检测儿童脑部MRI中的多小脑回畸形（Polymicrogyria, PMG），这是一种罕见的皮质发育畸形。数据集源自发表于Computerized Medical Imaging and Graphics期刊的研究，该研究提出了一种基于中心的深度对比度量学习方法用于PMG检测。数据集包含PMG病例样本（PMGstudycaseslabell）和正常对照组样本（PMGControlsEditedDec2021），为开发和评估基于深度学习的儿科神经影像诊断模型提供了专业化的医学影像资源。该数据集针对儿童特定年龄段的脑部发育特征进行了标注，对于推动罕见脑发育异常的自动化检测具有重要意义。

数据结构与关键特征

数据集采用二分类结构组织，分为多小脑回畸形病例组和健康对照组两个类别，所有样本均为儿童脑部MRI影像。数据集的核心特征在于针对罕见神经发育疾病的专业化标注，多小脑回畸形表现为大脑皮质表面过度褶皱形成的细小脑回，在MRI图像中呈现独特的形态学特征。配套的开源代码实现了基于中心的深度对比度量学习方法（Center-based Deep Contrastive Metric Learning），该方法通过度量学习在特征空间中拉近同类样本、推远异类样本，特别适合处理小样本医学影像分类问题。数据集经过2021年12月的编辑和标注，确保了标签的临床准确性，为对比学习和度量学习在罕见病诊断中的应用提供了实验基础。

应用价值与研究方向

该数据集在儿科神经影像学和罕见脑发育疾病诊断领域具有重要的科研和临床价值，特别适用于小样本医学影像分类、罕见病自动检测以及对比学习方法研究。研究方向包括：基于对比度量学习的特征表示学习、深度学习在小样本罕见病中的应用、迁移学习与预训练模型在儿科神经影像中的微调、可解释性AI用于识别PMG的影像学特征、类不平衡问题的解决策略、以及多模态MRI序列融合（T1、T2、FLAIR等）。该数据集有助于提高多小脑回畸形的早期诊断准确率，缩短诊断时间，为儿童神经科医生提供计算机辅助诊断工具。由于PMG是一种罕见疾病，该数据集填补了公开儿科脑发育异常影像数据的空白，为深度学习在罕见疾病诊断中的泛化能力研究、小样本学习算法验证以及医学AI的临床转化提供了宝贵的研究资源。

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-315
文件大小：700M
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。