medical-imaging-datasets

一个医学影像数据集列表，包含多种医学影像数据集的链接和描述，如CT、MRI、超声等。

A list of medical imaging datasets, including links and descriptions of various medical imaging datasets such as CT, MRI, ultrasound, etc.

原始信息汇总

医学影像数据集列表

多模态数据库

• Center for Invivo Microscopy (CIVM)：包含胚胎和新生小鼠的H&E染色和MR图像，用户指南可在此获取：CIVM用户指南。
• LONI图像数据档案：提供多种图像数据，访问地址为：LONI图像数据档案。
• 放射学图像：包括超声、乳腺摄影、X光、CT、MRI、fMRI等。
• Collaborative Informatics and Neuroimaging Suite (COINS)：用于神经影像分析，访问地址为：COINS。
• The Cancer Imaging Archive (TCIA)：提供癌症相关图像数据集，访问地址为：TCIA。
• Alzheimer’s Disease Neuroimaging Initiative (ADNI)：专注于阿尔茨海默病的神经影像研究，访问地址为：ADNI。
• The Open Access Series of Imaging Studies (OASIS)：开放获取的影像研究数据集，访问地址为：OASIS。
• Breast Cancer Digital Repository：乳腺癌数字存储库，访问地址为：BCDR。
• DDSM: Digital Database for Screening Mammography：用于筛查的数字乳腺摄影数据库，访问地址为：DDSM。
• The Mammographic Image Analysis Society (MIAS) mini-database：小型乳腺摄影图像数据库，访问地址为：MIAS。
• Mammography Image Databases：包含100多张带有地面实况的乳腺摄影图像，更多图像可请求获取，访问地址为：Mammography Image Databases。
• NLM HyperDoc Visible Human Project：提供彩色、CAT和MRI图像样本，超过30张图像，访问地址为：Visible Human Project。
• CT Scans for Colon Cancer：用于结直肠癌的CT扫描数据，访问地址为：CT Scans for Colon Cancer。

组织学和组织病理学（H&E、IHQ等）

• The Cancer Genome Atlas (TCGA)：癌症基因组图谱，访问地址为：TCGA。
• International Cancer Genome Consortium：国际癌症基因组联盟，数据门户地址为：ICGC Data Portal。
• Stanford Tissue Microarray Database (TMA)：斯坦福组织微阵列数据库，访问地址为：TMA。
• MITOS dataset：MITOS数据集，访问地址为：MITOS。
• Cancer Image Database (caIMAGE)：癌症图像数据库，访问地址为：caIMAGE。
• DPA’s Whole Slide Imaging Repository：数字病理学协会的全切片成像存储库，访问地址为：DPA’s Whole Slide Imaging Repository。
• ITK Analysis of Large Histology Datasets：大型组织学数据集的ITK分析，访问地址为：ITK Analysis。
• Histology Photo Album：组织学照片相册，访问地址为：Histology Photo Album。
• Slide Library of Virtual pathology, University of Leeds：利兹大学虚拟病理学幻灯片库，访问地址为：Slide Library。
• Aperio Images：Aperio图像，访问地址为：Aperio Images。
• HAPS Histology Image Database：HAPS组织学图像数据库，访问地址为：HAPS。

用于基准测试的数据库

• PEIPA Benchmark Databases：用于基准测试的数据库列表，访问地址为：PEIPA Benchmark Databases。
• Mulan Datasets for Multi-Label Classification：多标签分类的Mulan数据集，访问地址为：Mulan Datasets。
• UCI Machine Learning Repository：UCI机器学习库，访问地址为：UCI Machine Learning Repository。
• Datasets Reporting Formats for Pathologists：病理学家的数据集报告格式，访问地址为：Datasets Reporting Formats。
• DermNet - Skin Disease Atlas：皮肤病图谱，包含23个图像类和23,000张图像，访问地址为：DermNet。

最新技术/挑战

• Grand Challenges in Medical Image Analysis：医学图像分析中的重大挑战，访问地址为：Grand Challenges。
• Challenges in Global Health and Development：全球健康和发展问题中的挑战，访问地址为：Grand Challenges。
• State of the Art of Most Used Computer Vision Datasets：最常用的计算机视觉数据集的当前技术水平，访问地址为：State of the Art。

搜集汇总

数据集介绍

构建方式

医疗成像数据集涉及多种成像技术的综合汇编，其构建主要通过搜集不同来源的医学影像数据库，包括中心体内显微镜成像、放射学成像、神经影像学成像、病理学成像等，辅以相应的用户指南和说明文档以确保数据的质量和可用性。

使用方法

用户可以根据具体的研究需求，通过数据集提供的链接访问并下载相应的医学成像数据。每个数据库都有详细的说明文档，指导用户如何正确使用这些数据。此外，部分数据库还提供了在线浏览和检索功能，以便用户高效地获取所需的数据集。

背景与挑战

背景概述

医学成像数据集在生物医学研究中扮演着至关重要的角色，它们为研究人员提供了丰富的资源，以探索和开发新的算法用于疾病的诊断、治疗和监测。medical-imaging-datasets是一个汇总了众多医学成像数据集的资源列表，创建于21世纪初，旨在促进医学图像分析领域的研究。该数据集由多个研究人员和机构共同维护，其中包括了来自Center for Invivo Microscopy (CIVM)、The Cancer Imaging Archive (TCIA)、Alzheimer’s Disease Neuroimaging Initiative (ADNI)等知名机构的子数据集。这些数据集涵盖了从超声、X射线到CT、MRI等多种成像技术，为相关领域的研究提供了坚实的基础。

当前挑战

尽管medical-imaging-datasets为医学图像分析领域提供了宝贵的资源，但该领域的研究仍面临诸多挑战。首先，数据集的多样性和规模给数据标注和质量控制带来了难题，这直接影响到后续分析的准确性和可靠性。其次，不同数据集之间的标准不统一，导致算法的可移植性和比较性降低。此外，隐私保护和数据安全问题也是构建和使用这些数据集时必须考虑的重要因素。在技术层面，如何有效地整合多模态图像数据，以及如何开发能够处理大规模和高维度数据的算法，也是当前研究的热点问题。

常用场景

经典使用场景

在医学影像分析领域，medical-imaging-datasets数据集被广泛用于训练和评估计算机辅助诊断系统。其经典使用场景包括对各种医学影像如X光、CT、MRI等进行特征提取、图像分割和病变检测等任务，以辅助医生进行更准确的疾病诊断。

解决学术问题

该数据集解决了医学影像分析中数据不完整、标签不一致和图像质量参差不齐等常见学术问题。它为研究者提供了大量标记良好的医学图像，有助于提高算法的准确性和鲁棒性，从而推动医学影像分析技术的发展。

实际应用

在实际应用中，medical-imaging-datasets数据集被应用于临床诊断、疾病监测和治疗效果评估等多个方面。它帮助医疗专业人员更精确地识别和分析病变，提升医疗服务的质量和效率。

数据集最近研究

最新研究方向

在医学成像数据集领域，近期研究主要集中在深度学习在多模态影像数据融合、病变检测、组织分割等方面的应用。以The Cancer Imaging Archive (TCIA) 和 Alzheimer’s Disease Neuroimaging Initiative (ADNI) 为代表的数据库，为研究者提供了丰富的资源，推动了诸如精准医疗、疾病早期发现与诊断等前沿研究方向的发展。同时，这些数据集也助力于应对全球公共卫生挑战，如通过分析ADNI数据集来深入理解阿尔茨海默病的进展和影像学标记。此类研究对提升医疗影像分析技术的准确性与效率，进而改善病患的诊疗质量与生存率，具有重要的现实意义和深远的影响。