OpenH-RF

OpenH-RF是一个由斯坦福大学、埃因霍温理工大学和NVIDIA共同主导的协作项目，旨在构建一个大规模、开放许可的医疗超声测量（通道捕获）数据集。目标是训练能够跨超声心动图、普通、胎儿和经颅成像、血流测量和超声逆问题等多任务进行原始到洞察推理的通用基础模型。计划整理20,000多个真实和合成的通道捕获测量数据，涵盖重建、血流、定量成像、运动估计和解释任务，并在CC BY 4.0许可下发布。OpenH-RF is a collaborative project led by Stanford University, Eindhoven University of Technology, and NVIDIA, aiming to build a large-scale, open-licensed medical ultrasound radio frequency (channel capture) dataset. Its core objective is to train general-purpose foundation models capable of raw-to-insight reasoning across multiple tasks including echocardiography, general, fetal, and transcranial imaging, blood flow measurement, and ultrasound inverse problems. The project plans to curate over 20,000 real and synthetic channel capture measurements, covering reconstruction, blood flow analysis, quantitative imaging, motion estimation, and interpretation tasks, and will release the dataset under the CC BY 4.0 license.

原始信息汇总

OpenH-RF 数据集概述

数据集简介

OpenH-RF 是一个由斯坦福大学、埃因霍温理工大学和英伟达共同领导的协作项目，旨在构建一个大规模、开放许可的波束形成前（通道捕获）医学超声测量数据集。其目标是训练通用的基础模型，使其能够跨超声心动图、通用超声、胎儿超声、经颅成像、血流测量以及超声逆问题等多任务进行“原始数据到洞察”的推理。

数据规模与许可

• 计划收录超过20,000个真实和合成的通道捕获测量数据。
• 数据发布遵循CC BY 4.0许可协议。

数据范围与应用任务

数据集涵盖以下任务领域：

• 图像重建
• 血流测量
• 定量成像
• 运动估计
• 图像解读

参与方式

1. 审阅提案请求：阅读提案请求文件以了解技术范围、资格和评估标准。
2. 提交提案：准备一份简洁的提案（≤ 5页），描述您的数据集、采集方法和目标任务。提交至 [e-mail]。
3. 贡献数据：提案获批后，按照 OpenH-RF 格式（规范即将发布）准备并提交数据集。
4. 共同发布：获批的贡献将被纳入公共数据集和基础模型发布中，项目完成后，贡献者将在相关出版物中被列为共同作者。

关键时间节点

里程碑	日期
提案请求发布	2026年3月16日
提案提交截止	2026年5月10日
数据收集窗口	2026年5月至7月
模型训练与验证	2026年8月至9月
公开发布（数据集 + 基础模型）	2026年10月

指导委员会

角色	姓名	所属机构
AI负责人	Prof. Ruud J.G. van Sloun	埃因霍温理工大学
超声负责人	Prof. Jeremy Dahl	斯坦福大学
产业负责人	Dr. Walter Simson	英伟达

联系方式

• 技术问题 — [e-mail]
• 行政问题 — [e-mail]
• 社区 — 加入 Discord 社区

搜集汇总

数据集介绍

构建方式

在医学超声成像领域，高质量数据的开放获取是推动算法创新的关键。OpenH-RF数据集由斯坦福大学、埃因霍温理工大学及英伟达联合主导，通过征集全球研究机构的提案进行构建。该计划旨在汇集超过两万条真实与合成的超声通道捕获数据，涵盖心脏、通用、胎儿及经颅成像等多种模态，数据将严格遵循统一的格式规范，并在贡献者审核通过后，以CC BY 4.0许可协议公开发布。

特点

OpenH-RF数据集的核心特点在于其规模宏大且覆盖全面，专注于预波束形成（通道捕获）的原始超声测量数据。这些数据不仅支持重建、血流测量、定量成像等传统任务，还为训练通用基础模型提供了多任务学习的可能。数据集融合了真实采集与仿真生成的数据源，确保了多样性与代表性，其开放许可协议进一步促进了跨学科的研究协作与算法验证。

使用方法

对于研究人员而言，OpenH-RF数据集的使用始于对其技术文档的深入研读。用户可按照公布的规范格式访问数据，并将其应用于超声图像重建、血流动力学分析或运动估计等具体任务。数据集支持端到端的原始数据到洞察的推理流程，适用于开发与评估基于深度学习的基础模型。通过参与社区讨论或查阅相关出版物，用户能进一步探索数据在多模态超声成像中的潜在应用价值。

背景与挑战

背景概述

在医学超声成像领域，高质量、开放获取的原始射频数据对于推动先进成像算法与人工智能模型的发展至关重要。OpenH-RF数据集由斯坦福大学、埃因霍温理工大学及英伟达公司联合主导，旨在构建一个大规模、开放许可的超声通道捕获数据集合。该数据集的核心研究问题聚焦于通过预波束形成的原始测量数据，训练通用基础模型，以实现从原始信号到临床洞察的多任务推理，涵盖心脏、胎儿、经颅成像及血流测量等多个关键应用方向。其影响力在于为超声逆问题、定量成像等前沿研究提供标准化数据资源，有望加速超声人工智能从实验室向临床的转化进程。

当前挑战

OpenH-RF数据集致力于解决医学超声领域中多任务原始数据智能分析的共性挑战，包括跨不同成像模式（如心脏、胎儿、经颅）的模型泛化能力、以及从高维射频信号中提取定量生理参数的精度问题。在构建过程中，数据集面临数据采集标准化与质量控制的双重挑战，需协调全球多中心、多设备来源的超声通道数据，确保其格式统一与标注一致性；同时，合成数据与真实测量数据的有效融合，以及隐私保护与开放共享之间的平衡，亦是项目推进中需妥善处理的关键环节。

常用场景

经典使用场景

在医学超声成像领域，OpenH-RF数据集为开发通用基础模型提供了关键支持。该数据集汇集了超过两万条真实与合成的超声通道捕获数据，覆盖心脏超声、普通超声、胎儿超声及经颅成像等多种模态。研究人员可利用这些原始数据训练模型，实现从原始信号到诊断洞察的端到端推理，从而优化图像重建、血流测量和运动估计等核心任务，推动超声成像技术的智能化发展。

实际应用

在实际医疗场景中，OpenH-RF数据集可赋能临床诊断与设备开发。基于该数据训练的模型能够辅助医生进行更精准的心脏功能评估、胎儿发育监测或脑血流分析，提升诊断效率与一致性。同时，医疗器械厂商可借助数据集优化超声设备的成像算法，实现实时高清成像与自动化测量，推动便携式与低成本超声解决方案的落地，惠及资源有限地区的医疗服务。

衍生相关工作

围绕OpenH-RF数据集，已衍生出多项经典研究工作。例如，斯坦福大学与埃因霍温理工大学团队利用其预波束形成数据开发了跨模态超声重建模型，显著提升了图像质量与计算效率。英伟达等工业伙伴则基于数据集探索了实时血流成像与运动追踪算法。这些工作不仅丰富了超声人工智能的方法体系，还为后续的多中心联合研究提供了可复现的范例。