神经典型胎儿MRI数据集

神经典型胎儿MRI数据集由维也纳医科大学计算成像研究实验室收集，包含219个神经典型胎儿MRI扫描，时间跨度为21至37周妊娠期。这些MRI扫描在1.5T和3T场强的扫描仪上进行，图像采集参数包括回波时间、重复时间、切片厚度、视场和图像分辨率。数据集经过预处理，包括DICOM到NIfTI格式转换、图像质量评估和分割图生成等。数据集主要用于胎儿脑图谱的生成和分割，支持研究和临床应用。

The Neurotypical Fetal MRI Dataset was collected by the Computational Imaging Research Laboratory of Medical University of Vienna. It contains 219 neurotypical fetal MRI scans, with gestational ages ranging from 21 to 37 weeks. These MRI scans were acquired on scanners with field strengths of 1.5T and 3T, and the image acquisition parameters include echo time, repetition time, slice thickness, field of view, and image resolution. The dataset has undergone preprocessing, including DICOM to NIfTI format conversion, image quality assessment, segmentation mask generation and other related steps. It is mainly used for the generation and segmentation of fetal brain atlases, supporting both research and clinical applications.

搜集汇总

数据集介绍

构建方式

神经典型胎儿MRI数据集的构建基于219例妊娠21至37周的神经典型胎儿MRI扫描，这些数据经过严格的筛选和预处理流程。原始数据通过DICOM格式转换为NIfTI格式，并采用NeSVoR方法进行切片到体积重建，以生成1毫米各向同性的运动校正体积。随后，利用BOUNTI工具箱自动生成19个解剖标签，进一步合并为六个主要脑区，包括外部脑脊液、皮质灰质等。整个流程确保了数据的高质量和一致性，为后续分析提供了可靠的基础。

特点

该数据集以其高分辨率和广泛的妊娠周覆盖范围脱颖而出，涵盖了胎儿大脑发育的关键阶段。数据经过严格的运动校正和强度归一化处理，确保了图像质量的一致性。此外，自动生成的解剖标签提供了详细的脑区划分，支持精确的体积分析和发育轨迹研究。数据集的多样性和代表性使其成为研究胎儿脑发育的宝贵资源。

使用方法

该数据集适用于多种研究场景，包括胎儿脑发育的定量分析和深度学习模型的训练。用户可以通过注册网络将个体扫描与标准图谱对齐，实现自动组织分割和体积测量。数据集还支持生成连续年龄特异性脑图谱，用于研究发育过程中的形态变化。此外，预处理的标准化流程使得数据可以轻松集成到现有的分析框架中，为临床和研究应用提供便利。

背景与挑战

背景概述

神经典型胎儿MRI数据集由维也纳医科大学的研究团队于2025年创建，旨在解决胎儿脑部发育研究中的关键挑战。该数据集包含219例妊娠21至37周的神经典型胎儿MRI扫描，通过深度学习框架生成连续、年龄特定的脑部图谱，支持实时胎儿脑组织分割。这一研究填补了胎儿脑部发育动态建模的空白，为临床诊断和发育异常检测提供了标准化参考框架。数据集的核心价值在于其高精度的组织分割能力（平均Dice相似系数达86.3%）以及对脑容量发育轨迹的量化分析，推动了胎儿神经影像学从定性评估向定量研究的范式转变。

当前挑战

该数据集面临双重挑战：在领域问题层面，需克服胎儿脑部快速形态变化（如第三妊娠期脑回形成）导致的解剖结构模糊性，以及不同扫描设备和协议引起的图像强度异质性；在构建过程中，需解决运动伪影校正、小样本条件下连续年龄建模的精度问题，并平衡解剖细节保留与计算效率。特别值得注意的是，皮层灰质的分割性能随妊娠周数增加而下降（从21周的83%降至37周的67%），反映了复杂脑沟回发育对算法鲁棒性的严峻考验。

常用场景

经典使用场景

神经典型胎儿MRI数据集在胎儿脑部发育研究中扮演了关键角色，尤其在构建连续、年龄特定的胎儿脑图谱方面。该数据集通过整合219例妊娠21至37周的神经典型胎儿MRI数据，为研究人员提供了标准化的参考框架，便于进行客观评估和跨样本比较。其经典使用场景包括自动脑组织分割、脑部发育轨迹分析以及形态学变化的动态捕捉。

实际应用

在临床实践中，该数据集支持胎儿脑发育异常的早期诊断与监测。其实时分割能力（推理时间仅0.5分钟）可辅助医生快速评估脑室容积、皮层灰质厚度等关键指标。通过与个体病例的配准，系统能识别偏离典型发育轨迹的异常模式，为先天性脑畸形或早产相关脑损伤的干预提供量化依据。数据集衍生的容积分析工具已被应用于多中心临床研究。

衍生相关工作

该数据集推动了多项胎儿神经影像学的突破性研究。基于其构建的条件图谱生成框架催生了《MultiMorph》中的群体特异性模板快速生成方法，并启发了《CINA》采用隐式神经表示提升时空连续性。数据集支持的BOUNTI工具箱实现了19个解剖结构的自动化分割，而《CAS-Net》则将其扩展至病理胎儿脑分析。相关成果在MICCAI等顶级会议形成系列工作链。