Neurite-OASIS

来自OASIS数据集的414个T1 MRI图像，使用FreeSurfer和SAMSEG进行处理。包括原始图像以及处理后的体积和结果解剖分割图。

A total of 414 T1 MRI images from the OASIS dataset were processed using FreeSurfer and SAMSEG. This includes the original images as well as the processed volumes and resulting anatomical segmentation maps.

原始信息汇总

医学影像数据集概览

数据集列表

Neurite-OASIS

• 数据量: 414 T1 MRIs
• 处理工具: FreeSurfer 和 SAMSEG
• 内容: 原始图像、处理后的体积和解剖分割图
• 关键词: 大, MRI, 分割, 标签, 注释, 处理

SynthStrip

• 数据量: 622 MRI, CT, 和 PET 扫描
• 内容: 全头图像和脑掩模, 不同对比度、分辨率和人群的MRI扫描
• 关键词: 大, 多样, 多模态, 脑掩模, 分割, 脑提取, 颅骨剥离

CheXpert

• 数据量: 224,316 胸部X光片
• 关键词: 非常大, X光, 标签

ChestXray-NIHCC

• 数据量: 100,000 X光片
• 关键词: 非常大, X光, 标签

MIMIC-CXR

• 数据量: 371,920 胸部X光片
• 关键词: 非常大, X光, 标签

PadChest

• 数据量: 160,000 图像
• 标签: 174种放射学发现, 19种鉴别诊断, 104种解剖位置
• 关键词: 非常大, X光, 标签

IBM Xray Eye Gaze

• 数据量: 1000+ 数据集
• 关键词: 中等, X光, 标签

Cancer Image Archive

• 内容: 多种类型的图像, 包括CT, MR, 病理学, PT, 诊断
• 关键词: 非常大, CT, MR, 标签

National Lung Screening Trial

• 数据量: 50,000+ 患者
• 关键词: 非常大, CT, 标签

DeepLesion

• 数据量: 32,000+ CT扫描
• 关键词: 非常大, CT, 标签

EchoNet-Dynamic

• 数据量: 10,000+ 标记的echocardiogram视频
• 关键词: 非常大, 超声, 标签

ABCD Neurocognitive Prediction Challenge

• 数据量: 8500 年轻(9-10岁)受试者
• 关键词: 大, MRI

AAPM Sparse-View CT Reconstruction Challenge

• 数据量: 4,000 模拟的sinogram/图像对
• 关键词: 大, CT, 重建

Cross-Sectional Multidomain Lexical Processing

• 数据量: 超过3000 MRI, fMRI
• 关键词: 大, MRI

MRNet

• 数据量: 1,370 膝关节MRI检查
• 关键词: 大, MRI, 标签

fastMRI

• 数据量: 1500 完全采样的膝关节MRIs和10K临床MRIs, 6.5K脑MRIs
• 关键词: 大, MRI, k-space

OCMR

• 数据量: 约250 体积
• 关键词: 中等, MRI, k-space

PREVENT-AD

• 数据量: 1704 MRI, 556 淀粉样蛋白和tau CSF样本
• 关键词: 中等, MRI, 遗传学, 标签

Medical Segmentation Decathlon

• 数据量: 2000+ CT & MR图像
• 关键词: 中等, MRI, 分割

MASSIVE

• 数据量: 8000 扩散加权体积
• 关键词: 大, MRI

AOMIC: the Amsterdam Open MRI Collection

• 数据量: 1000+ fMRI和其他模式受试者
• 关键词: 中等, fMRI

MRIdata

• 内容: MRI k-space数据集列表

Cancer Imaging Archive: LDCT

• 数据量: 601 系列CT投影数据, 重建图像, 临床数据报告
• 关键词: 中等, CT, 重建

Brain MRI LGG FLAIR abnormality segmentation

• 数据量: 110 受试者
• 关键词: 中等, 脑, MRI, 分割, LGG, FLAIR

Studyforrest

• 内容: 多种模式(T1,T2,SWI,Angio,DWI, fMRI)
• 关键词: 小, 多模态

Lung Image Database Consortium

• 数据量: 1018 病例
• 关键词: 大, CT, 标签

Breast Cancer MRI Dataset

• 数据量: 922 乳腺癌患者
• 关键词: 大, MRI, 标签

UK Biobank

• 关键词: 非常大

OpenOrganelle

• 内容: 高分辨率组织规模体积电子显微镜(vEM)数据集
• 关键词: 非常大, EM, 分割

BrixIA: COVID19 severity score assessment databse

• 数据量: 4703 CXR COVID19患者
• 关键词: 大, X光, COVID

COVID-CT

• 数据量: 349 CT图像
• 关键词: 中等, CT, COVID

Pneumonia X-Ray

• 数据量: ~5000 X光片
• 关键词: 中等, X光, 肺炎

Medical Imaging Data Resource Center (MIDRC)

• 数据量: 998 胸部X光检查
• 关键词: 大, X光, COVID

BIMCV-COVID19

• 数据量: 1350+ X光片, 150+ CTs, 800诊断
• 关键词: 中等, CT, COVID

MosMedData Covid19

• 数据量: 1000+ CTs COVID19患者
• 关键词: 大, CT, COVID, 分割

COVID-19 LUNG CT LESION SEGMENTATION CHALLENGE

• 数据量: ~250 胸部CTs
• 关键词: 中等, CT, COVID, 注释, 分割

MedSeg COVID-19 CT

• 数据量: ~100 分割的CT切片
• 关键词: 中等, CT, 分割, COVID

COVID-Chest XRay

• 数据量: ~150 X光片
• 关键词: 中等, X光, COVID

BSTI COVID19

• 数据量: 约60患者
• 关键词: 中等, CT, COVID

Narratives fMRI

• 数据量: 345受试者, 891功能扫描
• 关键词: 中等, fMRI

RICORD

• 数据量: 1000 X光片和240 CTs
• 关键词: 大, CT, COVID, 分割

FIRE (Fundus Image Registration Dataset)

• 数据量: 129 视网膜图像
• 关键词: 小, 视网膜

DRIVE: Digital Retinal Images for Vessel Extraction

• 数据量: 40 视网膜图像
• 关键词: 小, 视网膜, 分割

FLARE: Fast and Low GPU memory Abdominal oRgan sEgmentation

• 数据量: 500+ CT扫描
• 关键词: 大, 腹部, CT

ADNI

• 内容: 多种成像(纵向MRI), 遗传学, 临床数据
• 关键词: 大, MRI, 遗传学, 临床

VISCERAL

• 数据量: ~120 图像体积
• 关键词: 中等, MRI, CT, 全身, 手动分割

Mindboggle

• 数据量: 101 手动标记的脑MRI
• 关键词: 中等, MRI, 脑, 手动分割

Cross-Sectional Multidomain Lexical Processing

• 数据量: 3000 脑扫描
• 关键词: 大, MRI, fMRI, 测试

Duke Breast Cancer Screening DBT

• 数据量: 5,060 患者
• 关键词: 大, 断层合成, DBT, 乳腺, 检测

CBIS-DDSM (Curated Breast Imaging Subset of DDSM)

• 数据量: 2600+ 扫描胶片乳腺摄影研究
• 关键词: 大, X光

Neuromorphometrics

• 数据量: 63 手动标记的脑扫描
• 关键词: 中等, MRI, 脑, 手动分割, 昂贵

Automatic Non-rigid Histological Image Registration

• 内容: ISBI2019挑战

7-Tesla rs-fMRI

• 数据量: 22 参与者
• 关键词: 小, MRI, 脑

SpineWeb

• 数据量: 200+ 受试者
• 关键词: 小, 多模态

Whole-Heart and Great Vessel Segmentation from 3D Cardiovascular MRI in Congenital Heart Disease

• 数据量: 20 心血管MRI图像
• 关键词: 小, 心血管, MRI

Longitudinal Neuroimaging in Children

• 数据量: ~50 儿童(~10岁)
• 关键词: 中等, fMRI, 纵向

Longitudinal Neuroimaging on arithmetic processing in children

• 数据量: 132 典型发育儿童
• 关键词: 中等, fMRI, 纵向

Narratives

• 数据量: 听觉故事聆听fMRI数据集
• 关键词: 中等, fMRI

ATLAS: Anatomical Tracings of Lesions After Stroke

• 数据量: 229 T1-weighted MRI扫描
• 关键词: 中等, MRI, 分割

MITOS_WSI_CMC

• 数据量: 21 犬乳腺癌全切片图像
• 关键词: 小, 2D, 全切片成像

FeTA Dataset

• 数据量: 48 手动注释的胎儿MRI
• 关键词: 小, MRI, 胎儿, 标签

SIMON

• 数据量: 单个志愿者, 73次会议
• 关键词: 小, MRI, 纵向

BigBrain

• 内容: 单个体积, 组织学空间, 100微米
• 关键词: 小, 组织学, 高分辨率, 分割

100 micron MRI of Human Brain

• 内容: 单个体积, 超高分辨率MRI数据集(100微米)
• 关键词: 小, MRI, 脑

Natural Scenes Dataset (CMRR initiative)

• 数据量: 8个受试者大规模fMRI
• 关键词: 小, MRI, 脑, fMRI

Brain Catalogue

• 内容: 不同动物的脑MRI
• 关键词: 小, MRI, 脑, 动物

Multishell diffusion

• 数据量: 三个扩散的健康旅行成人
• 关键词: 小, MRI, 扩散, 脑

Pre-Natal MRI

• 内容: 产前脑MRI样本
• 关键词: 小, MRI, 胎儿

BCNB: Early Breast Cancer Core-Needle Biopsy WSI Dataset

• 数据量: 1058 全切片图像
• 关键词: 大, 乳腺癌, 多模态, WSI, 临床特征

BCI: Breast Cancer Immunohistochemical Image Generation Dataset

• 数据量: 4870 注册的HE-IHC图像对
• 关键词: 大, 乳腺癌, HE, IHC

非影像数据集

PhysioNet / Pulmonary Edema Severity Grades Based on MIMIC-CXR

• 内容: 基于MIMIC-CXR的数据集, 包含3个元数据文件, 提取自MIMIC-CXR数据集的肺水肿严重程度等级
• 关键词: 肺水肿, 严重程度等级, 胸部X光, 放射学报告, MIMIC-CXR

搜集汇总

数据集介绍

构建方式

Neurite-OASIS数据集由414个来自OASIS数据集的T1加权MRI图像组成，这些图像经过FreeSurfer和SAMSEG工具的处理。处理过程包括原始图像的预处理、体积重建以及生成解剖学分割图。这一构建方式确保了数据集的高质量和标准化，为后续的医学影像分析提供了坚实的基础。

特点

Neurite-OASIS数据集的主要特点在于其大规模、高质量的处理图像和详细的解剖学分割图。这些特征使得该数据集在医学影像分析领域具有广泛的应用价值，尤其是在需要精确解剖结构分割的研究中。此外，数据集的多样性和标准化处理也增强了其在不同研究场景中的适用性。

使用方法

Neurite-OASIS数据集适用于多种医学影像分析任务，包括但不限于解剖结构分割、图像配准和疾病诊断模型的训练。研究者可以通过访问GitHub上的数据集页面下载原始图像和处理后的数据，利用这些数据进行深度学习模型的训练和验证。此外，数据集的标准化处理流程也为研究者提供了一个参考框架，以便在其他数据集上进行类似处理。

背景与挑战

背景概述

Neurite-OASIS数据集是由414个来自OASIS数据集的T1 MRI图像经过FreeSurfer和SAMSEG处理后生成的。该数据集包含了原始图像、处理后的体积以及相应的解剖学分割图。主要研究人员或机构通过这些处理步骤，旨在提供一个大规模、高质量的MRI数据集，以支持医学影像分析和机器学习研究。该数据集的核心研究问题涉及如何通过自动化工具提高医学影像的分割精度，从而为临床诊断和治疗提供更精确的数据支持。Neurite-OASIS数据集的创建对医学影像处理领域具有重要影响，特别是在提高分割算法的准确性和可靠性方面。

当前挑战

Neurite-OASIS数据集在构建过程中面临多个挑战。首先，处理大量高分辨率的MRI图像需要强大的计算资源和高效的算法，以确保处理速度和精度。其次，确保分割结果的准确性是一个持续的挑战，因为医学影像中的解剖结构复杂且易受噪声影响。此外，数据集的标准化和一致性也是一个重要问题，以确保不同研究之间结果的可比性。最后，数据集的隐私和安全问题也需要严格管理，以符合医学数据处理的伦理和法律要求。

常用场景

经典使用场景

Neurite-OASIS数据集在医学影像分析领域中被广泛用于脑部MRI图像的自动分割和解剖结构标注。其经典使用场景包括利用该数据集训练和验证深度学习模型，以实现对脑部结构的精确分割，从而辅助神经科学研究和临床诊断。

实际应用

在实际应用中，Neurite-OASIS数据集被用于开发和优化脑部MRI图像的自动分析工具，这些工具可以应用于临床环境中，帮助医生快速准确地诊断和评估脑部疾病。此外，该数据集还支持个性化医疗的发展，通过精确的脑部结构分析，提供更有效的治疗方案。

衍生相关工作

基于Neurite-OASIS数据集，研究者们开发了多种脑部MRI图像处理和分析算法，如深度学习模型用于脑部结构分割和病变检测。此外，该数据集还促进了多模态医学影像融合技术的研究，推动了跨学科的医学影像分析工作。