msepulvedagodoy/acdc

---
task_categories:
- image-segmentation
language:
- es
- en
tags:
- medical
pretty_name: ACDC-Automated Cardiac Diagnosis Challenge
size_categories:
- 1K<n<10K
---


General information

The overall ACDC dataset was created from real clinical exams acquired at the University Hospital of Dijon. Acquired data were fully anonymized and handled within the regulations set by the local ethical committee of the Hospital of Dijon (France). Our dataset covers several well-defined pathologies with enough cases to (1) properly train machine learning methods and (2) clearly assess the variations of the main physiological parameters obtained from cine-MRI (in particular diastolic volume and ejection fraction). The dataset is composed of 150 exams (all from different patients) divided into 5 evenly distributed subgroups (4 pathological plus 1 healthy subject groups) as described below. Furthermore, each patient comes with the following additional information : weight, height, as well as the diastolic and systolic phase instants.

Tasks

The main task of this dataset is the semantic segmentation of the heart in cardiac magnetic resonance images, specifically the endocardium and myocardium. The present task is very relevant for the detection of cardiovascular diseases. Segmentation is a very time-consuming process, so automatically performing the segmentation with Artificial Intelligence algorithms can be extremely beneficial to reduce the time spent in a manual segmentation. In this way, a very relevant bottleneck can be avoided and cardiovascular diseases can be detected in a timely manner.

Reference

O. Bernard, A. Lalande, C. Zotti, F. Cervenansky, et al.
"Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved ?" in IEEE Transactions on Medical Imaging, vol. 37, no. 11, pp. 2514-2525, Nov. 2018
doi: 10.1109/TMI.2018.2837502

task_categories:
- 图像分割（image-segmentation）
language:
- 西班牙语
- 英语
tags:
- 医学（medical）
pretty_name: ACDC-自动化心脏诊断挑战赛（Automated Cardiac Diagnosis Challenge）
size_categories:
- 1K<n<10K
---


### 总体概况
本数据集整体源自法国第戎大学医院获取的真实临床检查数据。所采集的数据已完成完全匿名化处理，并严格遵循法国第戎医院地方伦理委员会制定的相关法规进行管理。本数据集涵盖多种明确界定的心血管病理类型，且样本量充足，可同时满足两大需求：（1）对机器学习方法开展充分训练；（2）精准评估从心脏电影磁共振（cine-MRI）图像中提取的主要生理参数（尤其是舒张末期容积与射血分数）的变化情况。数据集包含150例来自不同患者的检查数据，分为5个分布均匀的子组（4个病理组与1个健康对照组），具体分组说明如下。此外，每位患者还附带以下附加信息：体重、身高，以及舒张期与收缩期的成像时刻。

### 任务说明
本数据集的核心任务为心脏磁共振图像中的心脏语义分割（semantic segmentation），具体目标为心内膜与心肌的分割。该任务对于心血管疾病的检测具有关键意义。人工分割流程耗时极长，因此借助人工智能算法实现自动化分割，可大幅缩减手动分割所需的时间，从而规避这一核心瓶颈，并实现心血管疾病的及时检测。

### 参考文献
O. Bernard, A. Lalande, C. Zotti, F. Cervenansky 等.
"深度学习技术用于磁共振心脏多结构自动分割与诊断：问题已解决？"，发表于《IEEE Transactions on Medical Imaging》，2018年11月，第37卷第11期，页码2514-2525
DOI: 10.1109/TMI.2018.2837502

原始信息汇总

数据集概述

基本信息

• 任务类别：图像分割
• 语言：西班牙语、英语
• 标签：医学
• 美观名称：ACDC-Automated Cardiac Diagnosis Challenge
• 大小类别：1K<n<10K

数据集详情

• 来源：由法国第戎大学医院提供的真实临床检查数据，数据已完全匿名化，并遵守当地伦理委员会的规定。
• 组成：包含150次检查（来自不同患者），分为5个均匀分布的子组（4个病理性加1个健康组）。
• 附加信息：每位患者提供体重、身高以及舒张期和收缩期时刻。

任务描述

• 主要任务：心脏磁共振图像中的心脏语义分割，特别是心内膜和心肌。
• 应用：此任务对于心血管疾病的检测非常重要，自动分割算法可以显著减少手动分割所需的时间，及时检测心血管疾病。

参考文献

• O. Bernard, A. Lalande, C. Zotti, F. Cervenansky, et al. "Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved ?" in IEEE Transactions on Medical Imaging, vol. 37, no. 11, pp. 2514-2525, Nov. 2018. doi: 10.1109/TMI.2018.2837502

搜集汇总

数据集介绍

构建方式

在心血管影像分析领域，自动化心脏诊断挑战（ACDC）数据集构建于法国第戎大学医院的真实临床检查数据之上。该数据集严格遵循医院伦理委员会的规定，对采集的150例患者心脏磁共振成像（cine-MRI）数据进行匿名化处理。这些数据均匀分布于五个亚组，涵盖四种病理类型及一组健康受试者，每例患者均附带体重、身高以及舒张期与收缩期相位信息，确保了数据在病理覆盖与生理参数多样性上的科学严谨性。

特点

ACDC数据集以其在心脏多结构语义分割任务中的专业性与完整性著称。该数据集专注于左心室心内膜与心肌的精细标注，为心血管疾病的自动检测提供了关键基准。其数据来源于真实临床环境，涵盖了从健康到多种病理状态的广泛病例，且每例均包含详细的生理参数，使得数据集不仅适用于分割模型的训练，还能支持心脏功能参数（如舒张容积与射血分数）的变异分析，从而在医学影像研究中展现出高度的实用价值与可靠性。

使用方法

该数据集主要用于训练与评估人工智能算法在心脏磁共振图像中的语义分割性能。研究人员可依据提供的舒张期与收缩期相位，对心内膜和心肌区域进行自动化分割，以加速传统耗时的手动标注流程。通过利用数据集中均衡的病理分组与附加的生理信息，模型不仅能提升分割精度，还可进一步用于心脏功能诊断的相关研究，为心血管疾病的早期检测与临床决策提供高效的技术支持。

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）的精准分割对于心血管疾病的诊断与治疗至关重要。ACDC数据集由法国第戎大学医院于2018年创建，主要研究人员包括Olivier Bernard、Alain Lalande等，其核心研究问题在于实现心脏多结构（如心内膜和心肌）的自动语义分割。该数据集基于真实临床检查构建，涵盖150例患者数据，均匀分布于健康组与四种病理组，为机器学习方法提供了充分的训练与评估基础。通过推动深度学习技术在心脏MRI分割中的应用，ACDC显著提升了心血管疾病诊断的自动化水平，成为该领域的重要基准。

当前挑战

ACDC数据集致力于解决心脏MRI图像中语义分割的挑战，其核心在于准确分割心内膜与心肌结构，以辅助心血管疾病的早期检测。这一任务面临诸多困难：心脏结构的形态变异大，病理状态下的图像对比度低，且分割边界模糊，导致模型泛化能力受限。在数据集构建过程中，研究人员需克服临床数据匿名化处理的伦理约束，确保符合医院伦理委员会的规定；同时，数据采集需平衡不同病理亚组的分布，以保障模型的公平性与代表性。此外，手动分割耗时巨大，如何通过自动化方法减少人工干预，同时保持高精度，仍是亟待突破的瓶颈。

常用场景

经典使用场景

在医学影像分析领域，ACDC数据集作为心脏磁共振图像语义分割的基准工具，其经典应用场景集中于自动化心脏结构分割。该数据集通过提供150例来自不同患者的临床检查数据，涵盖健康与多种病理状态，支持机器学习模型对左心室、右心室及心肌的精确轮廓描绘。这种分割任务不仅加速了心脏功能参数的量化过程，还为心血管疾病的早期诊断提供了可靠的图像分析基础。

实际应用

在实际临床环境中，ACDC数据集的应用显著提升了心脏疾病诊断的效率和一致性。基于该数据集训练的自动化分割模型已逐步集成到医疗影像工作站中，辅助放射科医师快速完成心脏腔室与心肌的量化分析，减少人工分割的时间消耗与主观偏差。这不仅优化了大规模筛查和随访流程，还为个性化治疗方案的制定提供了精准的影像学依据，体现了人工智能在改善医疗服务质量方面的现实价值。

衍生相关工作

围绕ACDC数据集，学术界衍生了一系列经典研究工作，主要集中在心脏图像分割算法的创新与优化。例如，基于U-Net及其变体的深度学习架构被广泛用于提升分割精度和鲁棒性；同时，该数据集也催生了多中心验证、弱监督学习以及跨模态融合等前沿探索。这些工作不仅推动了医学影像分析技术的进步，还为后续更大规模的心脏数据集（如MM-WHS）的构建与应用提供了方法论参考。