cardiac_cine_acdc

ACDC（Automatic Cardiac Diagnosis Challenge，MICCAI 2017）是一个用于心脏分割的心脏电影磁共振成像（cine-MRI）数据集。该数据集包含处理后的NIfTI格式文件，适用于左心室（LV）、右心室（RV）和心肌的分割任务。数据模态为心脏电影MRI（NIfTI格式），包含舒张末期（ED）和收缩末期（ES）的短轴（SAX）体积及其对应的分割掩码，以及完整的SAX时间序列（sax_t）。每个患者的数据包括：sax_ed（舒张末期SAX体积）、sax_ed_gt（ED分割掩码）、sax_es（收缩末期SAX体积）、sax_es_gt（ES分割掩码）和sax_t（完整SAX电影时间序列）。数据集还包含患者ID（pid）和从train_metadata.csv/test_metadata.csv派生的元数据列。数据集已分为训练集和测试集，适用于图像分割和分类任务。使用示例展示了如何通过HuggingFace的datasets库加载和访问数据。数据来源和许可信息请参考ACDC挑战赛官方页面。ACDC (Automatic Cardiac Diagnosis Challenge, MICCAI 2017) is a cardiac cine magnetic resonance imaging (cine-MRI) dataset designed for cardiac segmentation tasks. It provides processed NIfTI-format files for segmenting the left ventricle (LV), right ventricle (RV), and myocardium. The dataset uses cardiac cine MRI (in NIfTI format) as its data modality, containing short-axis (SAX) volumes at end-diastole (ED) and end-systole (ES) alongside their corresponding segmentation masks, as well as the full SAX time series (sax_t). Data for each patient includes: sax_ed (SAX volume at ED), sax_ed_gt (ED segmentation mask), sax_es (SAX volume at ES), sax_es_gt (ES segmentation mask), and sax_t (full SAX cine time series). Additionally, the dataset contains patient IDs (pid) and metadata columns derived from train_metadata.csv and test_metadata.csv. It is split into training and test subsets, which are applicable for both image segmentation and classification tasks. Usage examples illustrate how to load and access the dataset via HuggingFace's datasets library. For data source and licensing information, please refer to the official ACDC Challenge webpage.

原始信息汇总

ACDC (Cardiac Cine-MRI) 数据集概述

数据集基本信息

• 数据集名称：ACDC (Cardiac Cine-MRI)
• 别名：Automatic Cardiac Diagnosis Challenge (MICCAI 2017)
• 数据类型：医学影像
• 数据格式：NIfTI
• 语言：英文
• 许可协议：其他
• 标签：医学、磁共振成像、心脏、心脏电影磁共振成像、分割
• 任务类别：图像分割、图像分类
• 规模类别：100-1K

数据集简介

ACDC是一个用于心脏分割的心脏电影磁共振成像数据集。此仓库包含以Data/processed_output/acdc格式存储的已处理NIfTI文件。

核心特征

• 模态：心脏电影磁共振成像
• 主要任务：左心室、右心室和心肌的分割
• 关键帧：舒张末期、收缩末期以及完整的短轴时间序列
• 标注结构：左心室腔、右心室腔及心肌
• 数据划分：训练集、测试集

数据结构

每位患者的数据包含以下NIfTI文件路径：

• sax_ed — 舒张末期短轴体积
• sax_ed_gt — 舒张末期分割掩码
• sax_es — 收缩末期短轴体积
• sax_es_gt — 收缩末期分割掩码
• sax_t — 完整的短轴电影时间序列

数据列说明

列名	类型	描述
pid	字符串	患者ID
sax_ed	Nifti	舒张末期短轴体积
sax_ed_gt	Nifti	舒张末期分割掩码
sax_es	Nifti	收缩末期短轴体积
sax_es_gt	Nifti	收缩末期分割掩码
sax_t	Nifti	完整的短轴电影时间序列
+ 元数据列	多种	源自 train_metadata.csv / test_metadata.csv

使用方式

可通过Hugging Face datasets库加载数据集。示例代码展示了如何加载数据集并访问图像数据。

来源与引用

• 官方来源：https://www.creatis.insa-lyon.fr/Challenge/acdc/
• 建议引用文献：O. Bernard et al., "Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis: Is the Problem Solved?", IEEE TMI, 2018.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，心脏磁共振成像（MRI）为心脏结构和功能的评估提供了关键数据。ACDC数据集源自2017年MICCAI自动心脏诊断挑战赛，其构建过程严谨而系统。原始数据采集自真实患者的心脏短轴（SAX）电影序列，经过专业标注团队对左心室、右心室及心肌区域进行精确分割，生成舒张末期（ED）与收缩末期（ES）的掩码标签。数据随后被统一处理为NIfTI格式，确保了与主流医学影像分析工具的兼容性，并划分为训练集与测试集，为算法开发与评估奠定了可靠基础。

特点

该数据集在心脏影像分析中展现出鲜明的技术特征。其核心在于提供了完整的短轴电影时间序列（sax_t），不仅包含舒张末期与收缩末期的静态体积图像及对应分割掩码，还保留了动态的心跳周期信息，支持时间序列分析。数据以标准化的NIfTI格式存储，每例患者均配有结构化的图像路径与元数据，便于程序化访问。标签覆盖了左心室腔、右心室腔和心肌三个关键解剖结构，直接服务于心脏功能参数的定量计算，为分割与诊断模型的训练提供了高质量的多模态基准。

使用方法

对于研究人员而言，利用该数据集进行实验具有清晰的操作路径。通过Hugging Face的datasets库，可以便捷地加载数据集并访问其预定义的分割。典型的使用流程包括加载数据后，通过键名如'sax_ed'提取特定的NIfTI图像对象，进而使用get_fdata()方法将其转换为数值数组以供后续处理。数据集已结构化组织，研究者可依据患者ID和图像类型直接索引所需数据，并结合附带的元数据文件进行深入分析。这种设计使得从数据加载到模型训练与评估的整个流程得以高效、标准化地实施。

背景与挑战

背景概述

在医学影像分析领域，心脏磁共振成像（MRI）为无创评估心脏结构与功能提供了关键数据。ACDC（Automatic Cardiac Diagnosis Challenge）数据集于2017年MICCAI会议期间发布，由法国里昂国立应用科学学院（INSA Lyon）的CREATIS实验室主导构建，核心研究问题聚焦于左心室、右心室及心肌的自动分割与诊断。该数据集推动了深度学习在心脏影像分析中的应用，显著提升了分割算法的精度与鲁棒性，对心血管疾病的计算辅助诊断产生了深远影响。

当前挑战

ACDC数据集旨在解决心脏MRI图像中多结构分割的挑战，其核心问题在于准确区分左心室腔、右心室腔和心肌组织，这些区域在影像中常因边界模糊、运动伪影或个体解剖变异而难以精确界定。构建过程中，研究人员面临数据标注一致性的难题，需由专业医师手动勾画以获得金标准掩膜，同时需处理不同扫描协议带来的影像异质性，并确保时间序列数据的对齐与质量控制，以支撑可靠的算法训练与评估。

常用场景

经典使用场景

在心脏影像分析领域，ACDC数据集作为心脏电影磁共振影像的标准化基准，其经典使用场景聚焦于左心室、右心室及心肌的精准分割。该数据集通过提供舒张末期与收缩末期短轴序列的标注掩膜，为深度学习模型在医学图像分割任务中的训练与评估提供了关键支撑。研究者常利用其完整的时序序列数据，探索心脏动态功能分析，推动自动化诊断技术的发展。

解决学术问题

ACDC数据集有效解决了心脏磁共振影像分割中标注数据稀缺、标准不统一的学术难题，为量化评估心室容积、射血分数等关键生理指标提供了可靠基础。其结构化标注促进了分割算法的公平比较，显著提升了模型在跨中心数据上的泛化能力，对心脏疾病诊断的自动化研究具有里程碑意义，推动了医学影像分析从手工测量向智能计算的范式转变。

衍生相关工作

基于ACDC数据集，学术界衍生出诸多经典工作，如U-Net及其变体在心脏分割中的优化应用，以及针对时序特征的循环神经网络架构探索。该数据集亦催生了多模态融合与半监督学习的研究，促进了如nnU-Net等通用分割框架的发展，这些工作显著推动了医学影像人工智能在心脏疾病诊断领域的进步与创新。