TrainingDataPro/spinal-cord-dataset

该数据集包含脊柱的MRI扫描图像，格式为.dcm和.jpg，涵盖了多种脊柱病变，如骨软骨病、脊柱关节病、血管瘤等。数据集还包括医生的标注和PDF格式的报告。数据集可用于训练脊柱异常分类算法，研究脊柱疾病和障碍，如椎间盘突出、脊柱侧弯等。此外，数据集还可用于开发和评估新的成像技术和计算机算法。该数据集包含脊柱的MRI扫描图像，格式为.dcm和.jpg，涵盖了多种脊柱病变，如骨软骨病、脊柱关节病、血管瘤等。数据集还包括医生的标注和PDF格式的报告。数据集可用于训练脊柱异常分类算法，研究脊柱疾病和障碍，如椎间盘突出、脊柱侧弯等。此外，数据集还可用于开发和评估新的成像技术和计算机算法。

原始信息汇总

Spine MRI Dataset, Anomaly Detection & Segmentation

数据集概述

该数据集包含 MRI 脊椎扫描 的 .dcm 文件，涉及多种退行性变化，如椎间盘突出、脊柱炎、血管瘤、生理性前凸平坦、骨刺和加剧的缺陷。图像由医生标注，并附有 PDF 格式的报告。

数据集内容

• ST000001: 包含 9 个研究子文件夹，每个研究包含 .dcm 和 .jpg 格式的 MRI 扫描。
• DICOMDIR: 包含患者病情信息及文件访问链接。
• Spine_MRI_2.pdf: 包含放射科医生提供的医学报告。
• .csv 文件: 包含研究 ID 和文件数量。

医学报告内容

• 患者 人口统计信息
• 病例描述
• 初步 诊断
• 进一步行动的建议

数据集用途

研究人员和医疗专业人员可以使用此数据集研究脊椎疾病和障碍，如椎间盘突出、脊柱狭窄、脊柱侧弯和骨折。数据集还可用于开发和评估新的成像技术、图像分析的计算机算法以及用于自动诊断的人工智能模型。

数据集标签

• 椎间盘退变
• 骨刺
• 椎间盘突出
• 脊柱炎
• 以及其他多种疾病

数据集许可

• 许可证: cc-by-nc-nd-4.0

任务类别

• 图像分类
• 图像到图像
• 图像分割
• 目标检测

语言

• 英语

标签

• 医学
• 生物学
• 代码

搜集汇总

数据集介绍

构建方式

本数据集源自脊柱MRI影像的临床采集，包含9项从不同角度扫描的研究，全面呈现椎体、椎间盘、神经及周围组织的结构细节。数据以DICOM格式存储，并辅以JPEG格式图像及放射科医师撰写的PDF格式医学报告。每项研究均附有CSV文件记录研究编号与文件数量，而DICOMDIR文件则整合患者病情信息与访问路径，构建起结构化的多模态医学影像数据库。

特点

数据集聚焦于脊柱退行性病变的标注，涵盖骨软骨病、椎关节强直、血管瘤、生理性腰椎前凸变平、骨赘及加重型缺损等多种病理状态。所有影像由专业医师进行标注，医学报告包含患者人口统计学信息、病例描述、初步诊断及后续建议，确保数据的高临床相关性。其多角度扫描设计为脊柱异常分类算法的训练提供了丰富的视角与深度信息。

使用方法

研究者可直接利用DICOM与JPEG格式影像开展图像分类、语义分割及目标检测任务，结合医学报告文本进行多模态分析。数据集适用于开发脊柱疾病自动诊断的深度学习模型，如椎间盘突出、椎管狭窄及脊柱侧弯的检测。完整版数据集扩展至10万例脑部研究，可通过官方渠道申请获取，以满足更大规模模型训练与商业化应用的需求。

背景与挑战

背景概述

脊柱磁共振成像（MRI）作为评估椎间盘退变、椎管狭窄及脊柱肿瘤等病变的核心影像学手段，在临床诊断与治疗规划中占据不可替代的地位。然而，由于脊柱解剖结构的复杂性及病变类型的多样性，传统人工阅片不仅耗时费力，且易受主观因素影响，亟需借助人工智能技术实现自动化、标准化的影像分析。在此背景下，TrainingDataPro团队于近期构建了spinal-cord-dataset，该数据集包含9项多角度脊柱MRI研究，覆盖骨软骨病、椎关节强硬、血管瘤等常见退行性改变，并由专业医师完成标注及PDF格式报告。该资源为开发脊柱异常分类、图像分割及目标检测算法提供了高质量的基准数据，推动了医学影像分析与计算机辅助诊断领域的交叉研究。

当前挑战

当前数据集面临的核心挑战集中于领域问题与构建过程两个层面。领域问题方面，脊柱病变的细微差异（如早期退变与正常组织的边界模糊）对图像分类与分割模型的判别能力提出了极高要求，且多角度MRI数据的融合分析尚缺乏成熟方法论。构建过程中，数据标注依赖放射科医师逐例审核，成本高昂且一致性难以保障；此外，9项研究的有限规模可能限制深度学习模型的泛化性能，而DICOM格式与多样化病变类型的并存进一步增加了数据预处理与标准化处理的复杂性。这些挑战共同制约着算法在真实临床场景中的鲁棒性与可迁移性。

常用场景

经典使用场景

在脊柱MRI影像分析领域，该数据集凭借其涵盖多角度、多病理状态的DICOM图像及专家标注，成为构建脊柱异常分类与分割模型的经典基准。研究者可基于9项不同扫描角度的研究，利用其提供的椎体、椎间盘、神经及周围组织的高清影像，训练能够识别骨软骨病、椎关节强硬、血管瘤等退行性病变的深度学习算法。该数据集尤其适用于图像分割任务，因其包含的医学报告与CSV元数据为像素级标注提供了可靠依据，从而推动脊柱结构自动描绘技术的精度提升。

解决学术问题

该数据集有效解决了脊柱MRI研究中标注数据稀缺与病理多样性不足的核心困境。通过提供经放射科医师验证的标签及PDF格式诊断报告，它支撑了椎间盘退变、骨质增生、椎间盘突出等常见脊柱疾病的自动化识别研究，弥补了传统小样本数据集在泛化能力上的缺陷。其意义在于为机器学习模型提供多病种、多模态的训练素材，从而推动计算机辅助诊断系统在脊柱病变筛查中的鲁棒性提升，并促进影像组学特征提取与病理关联分析的学术探索。

衍生相关工作

围绕该数据集衍生了一系列经典工作，包括基于U-Net架构的脊柱结构分割模型优化，以及结合注意力机制的椎间盘退行性变分级网络。研究者进一步探索了多任务学习框架，同时完成脊柱侧弯角度测量与椎体骨折检测。在迁移学习方向，该数据集被用作预训练源域，用于提升小样本场景下罕见脊柱病变（如脊髓炎）的识别性能。此外，结合生成对抗网络的数据增强工作也以此为基础，合成高保真病理图像以扩充训练集，从而缓解医学影像标注成本高昂的瓶颈。