高分辨率心脏CT扫描数据集

该数据集由鲁汶大学等研究机构创建，包含271名健康个体的高分辨率心脏CT扫描数据，数据来源于Master@Heart研究和鲁汶大学医院的临床数据。数据集主要用于构建双心室统计形状模型，并通过计算模拟研究心脏解剖结构对心电图（ECG）和人口统计学特征的影响。数据集中的CT扫描图像分辨率在0.25-0.42毫米之间，涵盖了不同性别和年龄段的健康个体。数据集的创建过程包括自动分割和三维卷积神经网络（CNN）的应用，最终生成了带有纤维结构和解剖区域注释的双心室网格。该数据集的应用领域主要集中于计算心脏病学，旨在通过数字孪生技术提升对心脏电生理学的理解，并为个性化医疗提供支持。

This dataset was created by research institutions including KU Leuven, comprising high-resolution cardiac CT scans from 271 healthy individuals. The data is sourced from the Master@Heart study and clinical data obtained from KU Leuven University Hospital. This dataset is primarily intended for constructing biventricular statistical shape models, and for exploring the effects of cardiac anatomy on electrocardiogram (ECG) and demographic characteristics through computational simulations. The resolution of the CT scan images in this dataset falls within the range of 0.25 to 0.42 mm, and the cohort includes healthy individuals across diverse genders and age groups. The dataset development process involved automatic segmentation and the application of three-dimensional convolutional neural networks (CNNs), ultimately yielding biventricular meshes annotated with fiber structures and anatomical regions. The primary application domain of this dataset is computational cardiology, aiming to enhance understanding of cardiac electrophysiology via digital twin technology and provide support for personalized medicine.

搜集汇总

数据集介绍

构建方式

高分辨率心脏CT扫描数据集的构建基于271名健康个体的心脏CT扫描数据，涵盖运动员和非运动员群体。数据采集使用了128层双源CT扫描仪，图像分辨率在0.25-0.42毫米之间。通过3D卷积神经网络（CNN）进行语义分割，生成左心室、右心室等心脏结构的解剖标签。随后，利用双心室模型生成工具和通用心室坐标（UVC）方法，构建了轻量级的形状对应关系，避免了传统非线性配准的计算负担。最终，生成了包含解剖标签和纤维结构的双心室网格，适用于电生理模拟。

特点

该数据集的特点在于其高分辨率的CT扫描数据，能够捕捉心脏解剖的细微差异。数据集涵盖了不同性别和生活方式（如运动员与非运动员）的个体，提供了丰富的解剖变异信息。通过UVC方法，数据集实现了高效的点云对应关系，减少了计算复杂度。此外，数据集还包含了一个合成的双心室网格队列，这些网格具有解剖标签和纤维结构，可直接用于电生理模拟。数据集的多维度特征使其成为研究心脏解剖与功能关系的宝贵资源。

使用方法

该数据集的使用方法包括通过统计形状模型（SSM）分析心脏解剖变异，并生成合成的心脏几何形状。研究人员可以利用SSM进行主成分分析（PCA），量化双心室解剖对心电图（ECG）和人口统计学特征的影响。数据集中的合成网格可直接用于电生理模拟，支持心脏数字孪生（CDT）的开发。此外，数据集还可用于机器学习模型的训练，特别是与心脏解剖和功能相关的深度学习任务。通过公开的代码和合成队列，研究人员可以轻松生成新的心脏几何形状，并应用于虚拟临床试验和大规模模拟研究。

背景与挑战

背景概述

高分辨率心脏CT扫描数据集由Lore Van Santvliet等研究人员于2025年创建，旨在通过高分辨率心脏CT扫描数据构建双心室统计形状模型（SSM），以量化双心室解剖结构对心电图（ECG）和人口统计学特征的影响。该数据集包含271名健康个体的高分辨率心脏CT扫描数据，涵盖运动员和非运动员群体。研究团队开发了一种基于通用心室坐标（UVC）的轻量级形状对应方法，显著提升了形状模型的构建效率。该数据集为心脏电生理学的数字孪生（CDT）技术提供了重要的解剖学基础，推动了计算心脏病学领域的发展。

当前挑战

高分辨率心脏CT扫描数据集在构建和应用过程中面临多重挑战。首先，心脏解剖结构的个体差异较大，如何准确捕捉并量化这些差异是核心问题之一。其次，数据集的构建依赖于高分辨率CT扫描，数据获取和处理成本较高，且需要复杂的自动化分割和模型生成流程。此外，尽管UVC方法简化了形状对应问题，但在处理不同个体的解剖结构时，仍可能遇到非线性对齐的挑战。最后，如何将解剖学模型与电生理学模拟相结合，验证数字孪生模型的准确性，也是该领域亟待解决的问题。

常用场景

经典使用场景

高分辨率心脏CT扫描数据集在计算心脏病学领域中被广泛用于构建心脏数字孪生模型。通过该数据集，研究人员能够生成个性化的心脏解剖模型，进而模拟心脏的电生理行为。这些模型不仅用于基础研究，还在临床应用中发挥重要作用，如手术规划、临床结果预测和风险评估。数据集的高分辨率特性使得解剖细节得以精确捕捉，为心脏形状和功能的深入研究提供了坚实的基础。

衍生相关工作

该数据集衍生了一系列经典工作，特别是在心脏统计形状模型和数字孪生技术领域。基于该数据集的研究推动了心脏解剖与电生理功能的关联分析，促进了心脏数字孪生模型的开发。此外，数据集还支持了自动化分割算法和机器学习模型的训练，进一步推动了计算心脏病学的发展。相关研究还探索了心脏解剖与心电图特征之间的统计关系，为心脏疾病的诊断和治疗提供了新的视角。

数据集最近研究

最新研究方向

近年来，高分辨率心脏CT扫描数据集在计算心脏病学领域的研究方向主要集中在心脏数字孪生（Cardiac Digital Twin, CDT）的构建与应用上。通过结合解剖学和电生理学的数据，研究者们开发了双心室统计形状模型（Biventricular Statistical Shape Model, SSM），以量化双心室解剖结构对心电图（ECG）和人口统计学特征的影响。这一模型不仅能够生成高精度的双心室网格，还为电生理模拟提供了丰富的合成数据集。研究还揭示了心脏解剖变异与ECG特征之间的统计相关性，为个性化医疗和心脏疾病的早期诊断提供了新的见解。此外，该数据集的应用还推动了机器学习与深度学习在心脏建模中的集成，进一步提升了模型的预测能力和临床应用潜力。

相关研究论文

• Integrating anatomy and electrophysiology in the healthy human heart: Insights from biventricular statistical shape analysis using universal coordinates

  鲁汶大学（KU Leuven） · 2025年