心脏MRI解剖结构分割数据集

## 引言与背景

医学影像分析是现代心血管疾病诊断与研究的重要手段，而心脏MRI（磁共振成像）技术凭借其无辐射、高分辨率的特点，成为心脏结构与功能评估的金标准。随着人工智能技术的快速发展，基于深度学习的医学影像分割算法在心脏疾病辅助诊断中展现出巨大潜力，但高质量的标注数据集始终是算法训练与验证的关键瓶颈。

本数据集包含7749张心脏MRI图像，覆盖11种关键心脏解剖结构，来源于22名患者的临床扫描数据。数据集以PNG格式存储原始图像文件，采用层次化目录结构组织，每个图像文件对应特定患者的特定解剖结构切片。这些数据为心脏结构自动分割、心脏功能量化分析、疾病诊断辅助系统开发等研究方向提供了宝贵的训练与测试资源。

完整的数据集构成包括：原始MRI图像文件（按解剖结构类别和患者ID分类存储）、图像文件命名规范中的元数据信息（患者标识、切片序号）、以及通过目录结构体现的解剖结构标注信息。该数据集能够有效支持科研人员开展算法训练、模型验证和性能评估等工作，推动心血管医学影像AI技术的发展。

## 数据基本信息

### 数据字段说明

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|---------|---------|---------|---------|--------|
| 类别目录 | 字符串 | 心脏解剖结构类别名称 | Descending aorta | 100% |
| 患者目录 | 字符串 | 患者唯一标识ID | 898-1 | 100% |
| 文件名 | 字符串 | 图像文件名称（含患者ID和切片序号） | 898-1_00000.png | 100% |
| 患者ID | 字符串 | 从文件名提取的患者标识符 | 898-1 | 100% |
| 切片序号 | 数字 | 图像切片在序列中的编号，以3为间隔递增 | 00000 | 100% |
| 文件格式 | 字符串 | 图像文件格式 | PNG | 100% |
| 文件大小 | 数字 | 图像文件大小（KB） | 55.08 | 100% |

### 切片编号规律说明

数据集中的图像切片编号采用固定的递增规律，编号间隔为3，例如：00000、00003、00006、00009等。这种编号方式可能对应MRI扫描的层厚或采集间隔，表明图像是按固定间距从心脏三维体积数据中提取的连续切片。这一规律使得研究人员能够基于切片编号推断图像在心脏结构中的相对位置，为空间分析和三维重建提供基础。

### 分类/标签分布

| 解剖结构类别 | 图像数量 | 占比 | 累计占比 |
|------------|---------|------|---------|
| Descending aorta（降主动脉） | 2132 | 27.51% | 27.51% |
| Right ventricular wall（右心室壁） | 1444 | 18.63% | 46.14% |
| Papillary muscle – LV（左心室乳头肌） | 869 | 11.21% | 57.35% |
| Left atrial wall（左心房壁） | 806 | 10.40% | 67.75% |
| Superior vena cava（上腔静脉） | 539 | 6.96% | 74.71% |
| Posterior mitral leaflet（二尖瓣后叶） | 454 | 5.86% | 80.57% |
| Left atrial appendage（左心耳） | 365 | 4.71% | 85.28% |
| Proximal ascending aorta（近端升主动脉） | 342 | 4.41% | 89.69% |
| Pulmonary artery（肺动脉） | 309 | 3.99% | 93.68% |
| Inferior vena cava（下腔静脉） | 298 | 3.85% | 97.53% |
| Coronary sinus（冠状窦） | 191 | 2.47% | 100.00% |

### 患者分布（全量22名患者）

| 患者ID | 图像数量 | 占比 | 累计占比 |
|-------|---------|------|---------|
| 3811908-2 | 525 | 6.78% | 6.78% |
| 35600646-2 | 452 | 5.83% | 12.61% |
| 3257255524-2 | 446 | 5.76% | 18.37% |
| 33023956-1 | 439 | 5.67% | 24.04% |
| 31912985-1 | 426 | 5.50% | 29.54% |
| 32134413-1 | 417 | 5.38% | 34.92% |
| 34136902-2 | 400 | 5.16% | 40.08% |
| 32696920-1 | 399 | 5.15% | 45.23% |
| 898-1 | 370 | 4.77% | 50.00% |
| 8361-2 | 370 | 4.77% | 54.77% |
| 32742952-2 | 356 | 4.59% | 59.36% |
| 8332-1 | 340 | 4.39% | 63.75% |
| 34618535-2 | 330 | 4.26% | 68.01% |
| 31617678-1 | 329 | 4.25% | 72.26% |
| 8207-1 | 328 | 4.23% | 76.49% |
| 32079016-1 | 318 | 4.10% | 80.59% |
| 87-1 | 317 | 4.09% | 84.68% |
| 35160585-1 | 296 | 3.82% | 88.50% |
| 323613012-2 | 263 | 3.39% | 91.89% |
| 34210444-2 | 258 | 3.33% | 95.22% |
| 823-2 | 245 | 3.16% | 98.38% |
| 8111-1 | 125 | 1.61% | 100.00% |

### 类别-患者交叉分布

| 解剖结构类别 | 覆盖患者数 | 占患者总数比例 |
|------------|-----------|--------------|
| Descending aorta（降主动脉） | 22 | 100% |
| Left atrial wall（左心房壁） | 22 | 100% |
| Papillary muscle – LV（左心室乳头肌） | 22 | 100% |
| Posterior mitral leaflet（二尖瓣后叶） | 22 | 100% |
| Right ventricular wall（右心室壁） | 22 | 100% |
| Coronary sinus（冠状窦） | 21 | 95.45% |
| Left atrial appendage（左心耳） | 21 | 95.45% |
| Proximal ascending aorta（近端升主动脉） | 21 | 95.45% |
| Pulmonary artery（肺动脉） | 21 | 95.45% |
| Superior vena cava（上腔静脉） | 21 | 95.45% |
| Inferior vena cava（下腔静脉） | 20 | 90.91% |

### 文件格式分布

| 文件格式 | 图像数量 | 占比 |
|---------|---------|------|
| PNG | 7749 | 100% |

### 数据规模概览

- 总图像数量：7749张
- 解剖结构类别：11种
- 患者数量：22名
- 文件格式：PNG
- 平均文件大小：55.08 KB
- 最小文件大小：0.59 KB
- 最大文件大小：99.86 KB

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
|---------|---------|---------|
| 多解剖结构覆盖 | 包含11种关键心脏结构，覆盖心腔、血管、瓣膜等主要解剖部位 | 支持全面的心脏结构分割与分析，满足多任务学习需求 |
| 大规模样本量 | 7749张高质量MRI图像，样本量充足 | 为深度学习模型提供充足的训练数据，提升模型泛化能力 |
| 完整原始图像文件 | 所有图像以PNG格式存储，保留原始扫描信息 | 支持图像识别、特征提取、图像增强等多种计算机视觉任务 |
| 患者多样性 | 来源于22名不同患者，涵盖不同个体差异 | 增强模型对不同患者的适应性，提高临床应用可靠性 |
| 高类别覆盖率 | 5个类别覆盖全部22名患者，其余6个类别覆盖20-21名患者 | 确保每个类别都有足够的患者样本支撑，避免数据偏倚 |
| 层次化目录结构 | 按解剖结构类别和患者ID组织，便于数据管理与检索 | 简化数据预处理流程，提高算法开发效率 |
| 统一文件命名规范 | 文件名包含患者ID和切片序号，便于追溯与关联 | 支持多模态数据融合和纵向分析研究 |
| 标准医学影像格式 | PNG格式兼容性强，易于读取和处理 | 可直接用于主流深度学习框架，降低使用门槛 |

## 数据样例

本数据集包含完整的原始MRI图像文件，但由于图像文件较大且无法直接在文本中展示，以下仅提供文件列表样例以展示数据的多样性特征。实际数据集中包含完整的PNG图像文件可供使用。

### 文件列表样例

降主动脉（Descending aorta） - 8111-1_00002.png - 8111-1_00005.png - 8207-1_00000.png - 8207-1_00001.png - 823-2_00002.png - 823-2_00005.png - 87-1_00002.png - 87-1_00005.png - 898-1_00000.png - 898-1_00003.png右心室壁（Right ventricular wall） - 31617678-1_00000.png - 31912985-1_00000.png - 32079016-1_00000.png - 32134413-1_00000.png - 3257255524-2_00000.png - 32696920-1_00000.png - 32742952-2_00000.png - 33023956-1_00000.png - 34136902-2_00000.png - 34618535-2_00000.png左心耳（Left atrial appendage） - 31617678-1_00018.png - 31912985-1_00051.png - 32079016-1_00015.png - 32134413-1_00069.png - 3257255524-2_00030.png - 32696920-1_00012.png - 32742952-2_00000.png - 33023956-1_00057.png - 34136902-2_00021.png - 34618535-2_00000.png冠状窦（Coronary sinus） - 8111-1_00125.png - 8207-1_00055.png - 8207-1_00058.png - 823-2_00083.png - 823-2_00086.png - 8332-1_00047.png - 8332-1_00050.png - 8361-2_00091.png - 8361-2_00094.png - 87-1_00104.png肺动脉（Pulmonary artery） - 8207-1_00043.png - 8207-1_00046.png - 823-2_00040.png - 823-2_00043.png - 8332-1_00034.png - 8332-1_00037.png - 8361-2_00079.png - 8361-2_00082.png - 87-1_00082.png - 87-1_00085.png

## 应用场景

### 心脏结构自动分割

基于深度学习的心脏结构自动分割是本数据集最核心的应用场景。研究人员可以利用该数据集训练卷积神经网络（如U-Net、V-Net、Attention U-Net等），实现对11种心脏解剖结构的精确分割。自动分割技术能够显著提高临床诊断效率，减少医生的手动标注工作量，同时提高分割结果的一致性和可重复性。该技术可应用于心脏疾病的辅助诊断、手术规划和疗效评估等环节。通过分割结果，医生可以快速获得心脏各结构的形态参数，如心室容积、心肌厚度、瓣膜形态等，为疾病诊断提供量化依据。此外，分割结果还可以用于构建心脏三维模型，支持更直观的手术模拟和规划。

### 心脏功能量化分析

心脏MRI图像包含丰富的功能信息，通过对分割结果的进一步分析，可以实现心脏功能的自动量化。例如，通过左心室壁的分割结果计算心室容积变化，评估射血分数、舒张末期容积、收缩末期容积等关键功能指标；通过对瓣膜结构的分割，分析瓣膜形态和运动特征，检测瓣膜狭窄或反流等异常情况。这些量化指标对于心力衰竭、心肌病、冠心病等疾病的诊断和预后评估具有重要意义。研究人员可以基于本数据集开发功能分析算法，实现从原始图像到功能参数的端到端自动化分析，减少人工测量的主观性和误差，提高诊断的准确性和可靠性。

### 疾病诊断辅助系统开发

结合多模态数据和临床信息，基于本数据集训练的模型可以扩展为完整的疾病诊断辅助系统。例如，通过分析心脏结构的形态特征、尺寸比例和功能参数，辅助诊断心肌梗死、心房颤动、瓣膜病变、心肌病等心血管疾病。系统可以为医生提供结构化的分析报告和诊断建议，包括病变位置、程度评估、风险分级等信息。在临床实践中，这样的辅助系统可以帮助医生快速识别潜在的疾病迹象，提高诊断效率，尤其是在基层医疗机构或医生经验不足的情况下，能够发挥重要的支持作用。同时，系统还可以用于疾病筛查和健康监测，为大规模人群的心血管健康管理提供技术支撑。

### 医学影像AI算法研究

本数据集为医学影像AI算法的研究提供了理想的测试平台。研究人员可以利用该数据集开展算法创新研究，包括新型网络架构设计、数据增强技术、半监督学习方法、迁移学习策略、域自适应算法等。例如，可以探索针对小样本类别（如冠状窦）的数据增强方法，提高模型对稀有类别的识别能力；可以研究跨患者的迁移学习策略，利用已标注患者的数据提升对新患者的分割性能；可以开发半监督学习算法，利用大量未标注数据进一步提升模型性能。同时，数据集的标准化结构便于不同算法之间的性能对比和评估，推动医学影像AI领域的技术进步。此外，数据集还可以用于验证算法的泛化能力和鲁棒性，评估算法在不同患者群体和不同扫描条件下的表现。

### 教学与培训

该数据集可用于医学影像专业的教学与培训。医学生和年轻医生可以通过分析这些标准化的心脏MRI图像，学习心脏解剖结构的识别和测量方法。数据集覆盖了11种关键心脏结构，能够帮助学习者建立完整的心脏解剖知识体系。同时，基于数据集开发的交互式教学系统可以提供实时反馈和评估，帮助学习者检验自己的识别能力和测量准确性。此外，数据集还可以用于医学影像AI课程的教学，让学生了解数据集的构建过程、标注方法和应用场景，培养学生的数据分析和算法开发能力。对于临床医生来说，通过分析数据集，可以加深对心脏MRI图像特征的理解，提高影像诊断水平。

## 结尾

本心脏MRI解剖结构分割数据集以其丰富的解剖结构覆盖、大规模的样本量和完整的原始图像文件，为心血管医学影像AI研究提供了高质量的数据支撑。数据集包含7749张PNG格式的MRI图像，覆盖11种关键心脏解剖结构，来源于22名患者，具有良好的多样性和代表性。其中5个类别覆盖全部22名患者，其余6个类别覆盖20-21名患者，确保了每个类别都有足够的患者样本支撑。

该数据集的核心优势在于其完整的原始图像文件和层次化的目录结构，不仅支持传统的图像分割任务，还为图像识别、特征提取、功能分析等多种计算机视觉任务提供了可能。通过该数据集训练的AI模型，有望在心脏疾病辅助诊断、手术规划、疗效评估等临床应用中发挥重要作用。

如需获取数据集的完整访问权限或更多相关信息，可私信联系获取详细说明。