EchoXFlow

EchoXFlow是一个用于心脏运动、血流和功能的波束空间超声心动图数据集，提供以Croissant元数据和Zarr记录存储的超声心动图记录。

EchoXFlow is a beam-space echocardiography dataset focused on cardiac motion, blood flow and cardiac function, providing echocardiographic recordings stored with Croissant metadata and Zarr records.

原始信息汇总

EchoXFlow 数据集详情

数据集概述

EchoXFlow 是一个波束空间超声心动图数据集，用于心脏运动、血流和功能分析。该数据集提供了以 Croissant 元数据 和 Zarr 存储 格式保存的超声心动图记录。

数据集支持时间分辨的 1D、2D 和 3D B 模式和 Doppler 数据的解析、可视化和数据加载。

主要特性

• 支持从 Croissant 元数据和 Zarr 存储中读取 EchoXFlow 数据
• 可直接从元数据中发现录音记录
• 支持加载成像、Doppler 和 ECG 的类型化流数据
• 支持帧和视频的渲染与检查
• 提供分割和预测任务的脚手架示例

基准任务

该数据集包含三项基准任务：

任务	描述
Task 1: Tissue Velocity	组织速度测量
Task 2: Blood Flow	血流测量
Task 3: LV Segmentation	左心室分割

数据集下载与配置

数据集可通过 Hugging Face 下载：

• 🤗 Hugging Face 地址: https://huggingface.co/datasets/Ahus-AIM/EchoXFlow

下载后可通过两种方式设置数据根目录：

1. 在配置文件 src/echoxflow/config/defaults.yml 中设置 data.root
2. 通过环境变量设置：export ECHOXFLOW_DATA_ROOT=/path/to/EchoXFlow

数据格式

• 元数据格式: Croissant JSON
• 存储格式: Zarr

支持的流数据类型

• 2d_brightness_mode（2D B模式）
• 2d_color_doppler_velocity（2D彩色多普勒速度）
• 2d_color_doppler_power（2D彩色多普勒功率）

引用信息

@dataset{echoxflow, title = {EchoXFlow}, year = {2026} }

搜集汇总

数据集介绍

构建方式

EchoXFlow数据集基于临床超声心动图检查中的波束空间原始信号构建，记录了包含时间分辨率的一维、二维及三维B模式和Doppler数据。数据集存储采用Croissant元数据格式与Zarr记录存储系统，确保了数据的高效组织与可扩展性。原始数据来源于标准超声设备采集的时序信号，涵盖了组织多普勒、彩色血流多普勒及左心室分割等多种模态信息，为心血管动力学研究提供了多维度、多模态的原始数据基础。

特点

该数据集最显著的特点在于其以波束空间格式存储原始超声信号，而非传统重建后的图像，保留了丰富的物理信息。同时，EchoXFlow提供了统一的Croissant元数据发现与Zarr高效读取接口，支持多模态数据流（如B模式、Doppler及心电信号）的同步加载与可视化。数据集内置了组织速度估计、血流动力学分析和左心室分割三类标准基准任务，便于研究者进行模型的公平比较与复现，兼具原始信号的完整性与任务导向的实用性。

使用方法

使用者可通过Hugging Face平台直接下载数据集，并设置环境变量或配置文件指定数据根目录。依托提供的Python库，用户能利用`load_croissant`函数加载元数据目录，通过`find_recordings`按内容类型（如B模式、彩色Doppler速度等）筛选记录，再由`open_recording`打开具体记录并调用`load_stream`加载指定数据流。数据集同时提供了视频渲染、矩阵基准测试等脚本，支持一键复现论文结果，降低了技术门槛，便于快速开展心血管超声的深度学习研究。

背景与挑战

背景概述

EchoXFlow是一个面向心脏运动、血流与功能分析的波束空间超声心动图数据集，由挪威奥斯陆大学医院（Ahus）的人工智能在医学影像（AIM）团队于2026年创建。该数据集以Croissant元数据和Zarr存储格式提供时间分辨的一维、二维及三维B模式和Doppler数据，旨在解决心脏超声影像中组织结构辨识模糊、血流动力学量化困难等核心研究问题。通过整合组织多普勒、彩色多普勒及左心室分割三大基准任务，EchoXFlow为心血管疾病自动化诊断模型的训练与评估提供了标准化资源，并对推动超声心动图在精准医疗和智能分析领域的发展具有重要影响力。

当前挑战

EchoXFlow所面临的挑战涵盖领域问题与构建过程两方面。在领域问题层面，心脏超声影像因信噪比低、声学窗口有限，导致组织与血流边界难以精确分割，且多普勒信号易受伪影干扰，影响血流速度与心肌运动参数的量化精度。在构建过程中，需将不同维度的B模式与Doppler数据统一为标准化存储格式，并确保多模态时序数据（如ECG、组织速度、血流功率）的时空对齐与缺失值处理，同时设计可复现的基准任务流程以评估模型性能，这对数据压缩、元数据标注及计算资源提出严苛要求。

常用场景

经典使用场景

EchoXFlow数据集的核心价值在于为心脏超声影像分析提供了一个多模态、多时序的波束空间数据资源。其经典使用场景聚焦于时间分辨的B模式、多普勒与心电图数据的联合建模，研究人员可借助该数据集实现从原始波束空间信号到临床指标的端到端预测任务。具体而言，该数据集支持对组织多普勒速度图、血流彩色多普勒图以及左心室分割图的基准测试，为心脏运动追踪、血流动力学评估和心脏功能定量分析提供了标准化的训练与验证平台。这种基于波束空间的原始数据范式，不仅保留了超声采样的物理特性，更增强了模型对成像噪声与伪影的鲁棒性，为深度学习在超声医学影像中的可解释性研究开辟了新径。

衍生相关工作

EchoXFlow数据集自发布以来，已催生出一系列具有启发性的衍生工作。在基础研究层面，研究者围绕其波束空间数据特质，发展了面向超声原始信号的自监督表示学习方法，利用大规模未标注的时序多普勒数据预训练骨干网络，在下游分割与回归任务中取得了显著的性能提升。在模型架构创新方面，受该数据集三模态基准任务的启发，学界提出了多任务联合学习框架，通过共享编码器同时解析组织运动和血流动力学特征，有效缓解了标注数据稀缺时的过拟合风险。此外，基于EchoXFlow的Croissant元数据格式，社区开发了可跨数据集迁移的标准化数据加载工具，推动了超声影像数据管理向FAIR原则（可发现、可访问、可互操作、可复用）的靠拢。这些工作不仅验证了原数据集的鲁棒性，更在方法学上为多模态医学影像分析树立了新的参考标准。

数据集最近研究

最新研究方向

在心血管影像学的前沿研究中，EchoXFlow作为首个基于波束空间的心脏超声数据集，为心脏运动、血流动力学与功能的综合量化分析开辟了新径。该数据集整合了二维、三维B模式与多普勒数据，并借助Croissant元数据与Zarr存储格式实现了高效的可复现基准任务构建，包括组织速度估计、血流彩色多普勒解析以及左心室分割。这些任务紧密关联于当前临床对精准心功能评估与早期心血管疾病智能诊断的热潮，尤其在无需依赖专用商用软件的条件下，推动深度学习方法在波束域原始数据上的直接建模与跨模态融合，显著提升了模型对血流与心肌组织动态特征的捕捉能力，为下一代无创心脏功能量化奠定了数据与算法双轮驱动的基础。