hugging-science/isles24-stroke

--- license: cc-by-nc-sa-4.0 task_categories: - image-segmentation tags: - medical - neuroimaging - stroke - CT - MRI - perfusion - ISLES - BIDS size_categories: - n<1K --- # ISLES'24 Stroke Training Dataset Multi-center longitudinal multimodal acute ischemic stroke training dataset from the ISLES'24 Challenge. ## Dataset Description - **Source:** [Zenodo Record 17652035](https://zenodo.org/records/17652035) (v7, November 2025) - **Challenge:** [ISLES 2024](https://isles-24.grand-challenge.org/) - **Paper:** [Riedel et al., arXiv:2408.11142](https://arxiv.org/abs/2408.11142) - **License:** CC BY-NC-SA 4.0 - **Size:** 99 GB (compressed) ## Overview 149 acute ischemic stroke training cases with: - **Admission imaging (ses-01):** Non-contrast CT, CT angiography, 4D CT perfusion - **Follow-up imaging (ses-02):** Post-treatment MRI (DWI, ADC) - **Clinical data:** Demographics, patient history, admission NIHSS, 3-month mRS outcomes - **Annotations:** Infarct masks, large vessel occlusion masks, Circle of Willis anatomy > **Note:** The ISLES'24 paper describes a training set of 150 cases; the Zenodo v7 training archive contains 149 publicly released subjects. ## Dataset Structure ### Imaging Modalities | Session | Modality | Description | |---------|----------|-------------| | ses-01 (Acute) | `ncct` | Non-contrast CT | | ses-01 (Acute) | `cta` | CT Angiography | | ses-01 (Acute) | `ctp` | 4D CT Perfusion time series | | ses-01 (Acute) | `tmax` | Time-to-maximum perfusion map | | ses-01 (Acute) | `mtt` | Mean transit time map | | ses-01 (Acute) | `cbf` | Cerebral blood flow map | | ses-01 (Acute) | `cbv` | Cerebral blood volume map | | ses-02 (Follow-up) | `dwi` | Diffusion-weighted MRI | | ses-02 (Follow-up) | `adc` | Apparent diffusion coefficient | ### Derivative Masks | Mask | Description | |------|-------------| | `lesion_mask` | Binary infarct segmentation (from follow-up MRI) | | `lvo_mask` | Large vessel occlusion mask (from CTA) | | `cow_mask` | Circle of Willis anatomy (multi-label, auto-generated from CTA) | ### Clinical Variables Clinical variables are extracted from per-subject XLSX files in the `phenotype/` directory: | Variable | Source File | Description | |----------|-------------|-------------| | `age` | demographic_baseline.xlsx | Patient age at admission | | `sex` | demographic_baseline.xlsx | Patient sex (M/F) | | `nihss_admission` | demographic_baseline.xlsx | NIH Stroke Scale score at admission | | `mrs_admission` | demographic_baseline.xlsx | Modified Rankin Scale at admission | | `mrs_3month` | outcome.xlsx | Modified Rankin Scale at 3 months (primary outcome) | ## Usage ```python from datasets import load_dataset ds = load_dataset("hugging-science/isles24-stroke", split="train") # Access a subject example = ds[0] print(example["subject_id"]) # "sub-stroke0001" print(example["ncct"]) # Non-contrast CT array print(example["dwi"]) # Diffusion-weighted MRI print(example["lesion_mask"]) # Ground truth segmentation print(example["nihss_admission"]) # NIH Stroke Scale at admission print(example["mrs_3month"]) # Modified Rankin Scale at 3 months ``` ## Data Organization The source data follows BIDS structure. This tree shows the actual Zenodo v7 layout: ``` train/ ├── clinical_data-description.xlsx ├── raw_data/ │ └── sub-stroke0001/ │ └── ses-01/ │ ├── sub-stroke0001_ses-01_ncct.nii.gz │ ├── sub-stroke0001_ses-01_cta.nii.gz │ ├── sub-stroke0001_ses-01_ctp.nii.gz │ └── perfusion-maps/ │ ├── sub-stroke0001_ses-01_tmax.nii.gz │ ├── sub-stroke0001_ses-01_mtt.nii.gz │ ├── sub-stroke0001_ses-01_cbf.nii.gz │ └── sub-stroke0001_ses-01_cbv.nii.gz ├── derivatives/ │ └── sub-stroke0001/ │ ├── ses-01/ │ │ ├── perfusion-maps/ │ │ │ ├── sub-stroke0001_ses-01_space-ncct_tmax.nii.gz │ │ │ ├── sub-stroke0001_ses-01_space-ncct_mtt.nii.gz │ │ │ ├── sub-stroke0001_ses-01_space-ncct_cbf.nii.gz │ │ │ └── sub-stroke0001_ses-01_space-ncct_cbv.nii.gz │ │ ├── sub-stroke0001_ses-01_space-ncct_cta.nii.gz │ │ ├── sub-stroke0001_ses-01_space-ncct_ctp.nii.gz │ │ ├── sub-stroke0001_ses-01_space-ncct_lvo-msk.nii.gz │ │ └── sub-stroke0001_ses-01_space-ncct_cow-msk.nii.gz │ └── ses-02/ │ ├── sub-stroke0001_ses-02_space-ncct_dwi.nii.gz │ ├── sub-stroke0001_ses-02_space-ncct_adc.nii.gz │ └── sub-stroke0001_ses-02_space-ncct_lesion-msk.nii.gz └── phenotype/ └── sub-stroke0001/ ├── ses-01/ └── ses-02/ ``` ## Citation When using this dataset, please cite: ```bibtex @article{riedel2024isles, title={ISLES'24 -- A Real-World Longitudinal Multimodal Stroke Dataset}, author={Riedel, Evamaria Olga and de la Rosa, Ezequiel and Baran, The Anh and Hernandez Petzsche, Moritz and Baazaoui, Hakim and Yang, Kaiyuan and Musio, Fabio Antonio and Huang, Houjing and Robben, David and Seia, Joaquin Oscar and Wiest, Roland and Reyes, Mauricio and Su, Ruisheng and Zimmer, Claus and Boeckh-Behrens, Tobias and Berndt, Maria and Menze, Bjoern and Rueckert, Daniel and Wiestler, Benedikt and Wegener, Susanne and Kirschke, Jan Stefan}, journal={arXiv preprint arXiv:2408.11142}, year={2024} } @article{delarosa2024isles, title={ISLES'24: Final Infarct Prediction with Multimodal Imaging and Clinical Data. Where Do We Stand?}, author={de la Rosa, Ezequiel and Su, Ruisheng and Reyes, Mauricio and Wiest, Roland and Riedel, Evamaria Olga and Kofler, Florian and others and Menze, Bjoern}, journal={arXiv preprint arXiv:2408.10966}, year={2024} } ``` If using Circle of Willis masks, also cite: ```bibtex @article{yang2023benchmarking, title={Benchmarking the CoW with the TopCoW Challenge: Topology-Aware Anatomical Segmentation of the Circle of Willis for CTA and MRA}, author={Yang, Kaiyuan and Musio, Fabio and Ma, Yue and Juchler, Norman and Paetzold, Johannes C and Al-Maskari, Rami and others and Menze, Bjoern}, journal={arXiv preprint arXiv:2312.17670}, year={2023} } ``` ## Related Resources - [ISLES 2024 Challenge](https://isles-24.grand-challenge.org/) - [Zenodo Dataset (DOI: 10.5281/zenodo.17652035)](https://doi.org/10.5281/zenodo.17652035) - [Dataset Paper (arXiv:2408.11142)](https://arxiv.org/abs/2408.11142) - [Challenge Paper (arXiv:2408.10966)](https://arxiv.org/abs/2408.10966)

搜集汇总

数据集介绍

构建方式

在急性缺血性卒中的临床研究中，多模态影像与临床数据的整合对于预后评估至关重要。ISLES'24 Stroke数据集源自ISLES'24挑战赛，共收录149例急性缺血性卒中病例，严格遵循BIDS标准进行组织。数据采集涵盖两个时间节点：入院时（ses-01）获取非增强CT、CT血管造影及4D CT灌注影像，并衍生出Tmax、MTT、CBF、CBV等灌注参数图；随访时（ses-02）采集弥散加权MRI和表观弥散系数图。所有影像均经空间配准至NCCT空间，并提供梗死分割掩膜、大血管闭塞掩膜及Willis环解剖掩膜作为标注。临床变量从结构化XLSX文件中提取，包括人口统计学、入院NIHSS评分及3个月mRS结局，形成影像与临床数据的完整关联。

特点

该数据集的核心特色在于其纵向多中心设计，实现了急性期与随访期影像的时空对应，为卒中进展研究提供了独特资源。多模态影像覆盖CT与MRI两大模态，包含原始扫描与定量灌注参数，支持从组织窗到侧支循环的多维度分析。标注体系尤为丰富，不仅提供基于随访MRI的金标准梗死分割，还包含大血管闭塞的定位掩膜以及自动生成的Willis环多标签解剖掩膜，为血管解剖与病变交互研究奠定基础。临床数据与影像的紧密耦合，使研究者能够直接关联影像生物标志物与功能预后，极大提升了数据在预测建模中的实用价值。

使用方法

研究者可通过HuggingFace Datasets库便捷调用该数据集，使用load_dataset函数加载训练集后，每条样本以字典形式呈现，键包括subject_id、各模态影像数组（如ncct、dwi）以及对应的分割掩膜（如lesion_mask）。临床变量如nihss_admission和mrs_3month亦作为键值直接访问。数据遵循BIDS目录结构，原始影像与衍生掩膜分层存储于raw_data和derivatives目录，便于自定义预处理流程。推荐在引用时同时引用ISLES'24数据集论文及挑战赛论文，若使用Willis环掩膜，还需引用TopCoW相关文献，以确保学术规范的完整性。

背景与挑战

背景概述

急性缺血性卒中（AIS）是全球致残与致死的主要病因之一，其临床诊疗高度依赖多模态影像学评估与精准的预后预测。在此背景下，ISLES'24 Stroke数据集应运而生。该数据集由慕尼黑工业大学、苏黎世联邦理工学院等多家国际顶尖研究机构联合创建，发表于2024年，旨在为卒中病灶分割与临床结局预测提供标准化的多中心、纵向多模态训练资源。数据集涵盖149例急性期患者的入院非增强CT、CT血管造影、4D CT灌注成像及随访MRI（DWI/ADC），并配套详尽的临床变量与手工标注的梗死、大血管闭塞及Willis环解剖掩膜。其发布显著推动了卒中影像分析领域从单一模态向多模态融合、从横断面向纵向研究的范式转变，已成为国际ISLES挑战赛的核心基准。

当前挑战

该数据集所解决的领域核心挑战在于：急性缺血性卒中治疗窗口极短，需在入院即刻从非增强CT、CT灌注等影像中精准预测最终梗死范围与大血管闭塞状态，以指导血管内治疗决策。然而，现有模型常因缺乏纵向随访标注、跨模态配准误差及临床变量整合不足而性能受限。在构建过程中，数据集面临多中心数据异质性（如扫描参数、造影剂剂量差异）导致的空间标准化难题，以及149例样本量对深度学习模型泛化能力的约束。此外，Willis环掩膜依赖自动生成算法，其拓扑变异性与标注一致性亦构成技术挑战。这些困难共同凸显了在有限标注下实现鲁棒多模态融合与临床可解释预测的迫切需求。

常用场景

经典使用场景

ISLES'24 Stroke数据集专为急性缺血性卒中的多模态影像分割与预后预测任务而设计，其经典使用场景聚焦于利用入院时采集的非增强CT、CT血管造影及四维CT灌注成像，结合随访MRI中的弥散加权成像与表观弥散系数图，对梗死核心区域进行精准的语义分割。研究者可基于该数据集训练深度学习模型，实现对梗死灶、大血管闭塞及Willis环解剖结构的自动化标注，从而在时间紧迫的急性卒中诊疗流程中辅助影像科医师快速定位病变范围。

衍生相关工作

围绕该数据集已催生多项标志性学术工作，例如ISLES'24挑战赛中涌现的基于注意力机制的U-Net变体与混合Transformer架构，这些方法在梗死分割任务上显著超越了传统全卷积网络。同时，TopCoW挑战赛利用其Willis环标注拓展了脑血管解剖变异与卒中风险关联性的研究。此外，多篇预印本工作探索了基于对比学习的自监督预训练策略，利用该数据集的大规模未标注灌注影像提升下游分割性能，这些成果持续引领着医学影像分析领域的前沿方向。

数据集最近研究

最新研究方向

在急性缺血性卒中精准诊疗的前沿探索中，ISLES'24 Stroke数据集以其多中心纵向多模态影像与临床数据的深度融合，成为推动脑卒中影像人工智能研究的关键资源。该数据集涵盖了149例急性缺血性卒中患者的入院CT灌注成像、CTA血管造影及随访MRI等多模态影像，并配套了梗死分割掩膜、大血管闭塞标注以及Willis环解剖结构，为开发基于深度学习的梗死核心与半暗带预测模型提供了标准化基准。当前研究热点聚焦于利用该数据集训练能够从急性期多模态影像中精准预测最终梗死体积和功能预后（如3个月mRS评分）的模型，尤其关注跨时间点影像配准与多模态特征融合技术。这一方向紧密关联着临床对卒中患者快速分层和个体化治疗决策的迫切需求，其成果有望优化溶栓与取栓治疗的时间窗评估，显著提升急性卒中管理的临床转化价值。