Neonatal Echocardiogram Dataset (NED)

新生儿超声心动图数据集（NED）是由多伦多大都会大学和西奈山医院联合创建的专业标注数据集，包含16个类别的1049个视频，每个视频约1秒长。数据集来源于真实患者扫描，涵盖了新生儿心脏的不同视角。数据集的创建过程包括从真实扫描中提取视频，并由专业医生进行标注。该数据集主要用于新生儿超声心动图视角分类的研究，旨在通过机器学习算法提高诊断效率，特别是在资源有限的诊所和医院中。

The Neonatal Echocardiography Dataset (NED) is a professionally annotated dataset jointly developed by Toronto Metropolitan University and Mount Sinai Hospital. It contains 1,049 videos across 16 categories, with each video lasting approximately 1 second. The dataset is sourced from real clinical scans of patients, covering various views of the neonatal heart. The dataset construction process involves extracting videos from real clinical scans and manual annotation performed by specialized physicians. This dataset is primarily used for research on neonatal echocardiography view classification, aiming to improve diagnostic efficiency via machine learning algorithms, particularly in resource-constrained clinics and hospitals.

搜集汇总

数据集介绍

构建方式

Neonatal Echocardiogram Dataset (NED) 的构建基于真实的新生儿心脏超声扫描数据，涵盖了40个病例的1049段视频，每段视频时长约为1秒。数据集包含16种不同的心脏视角，这些视角由经验丰富的医生进行专业标注，确保了数据的准确性和可靠性。为了提升数据集的平衡性，研究人员剔除了样本量较少的类别，最终保留了12个临床相关且样本量较为均衡的视角类别。数据集还提供了按患者、视角和视频片段组织的帧序列，并配备了支持连续帧或间隔帧加载的PyTorch数据加载器，以及用于旋转、缩放、翻转和对比度调整的序列增强工具。

特点

NED数据集的特点在于其专业性和多样性。作为首个公开的新生儿心脏超声视频数据集，NED提供了16种不同的心脏视角，涵盖了新生儿心脏超声检查中的常见视角。数据集中的视频数据捕捉了心脏动态变化，能够反映心脏周期中不同阶段的结构变化。此外，数据集的标注由专业医生完成，确保了视角分类的准确性。NED还提供了两种子集：NED-16和NED-12，前者包含所有16个视角，后者则聚焦于12个临床相关且样本量较大的视角，便于研究人员根据需求选择使用。

使用方法

NED数据集的使用方法灵活多样，适用于多种机器学习任务。研究人员可以通过PyTorch数据加载器加载视频帧序列，支持连续帧或间隔帧的加载方式，以便捕捉心脏动态变化中的时空信息。数据集还提供了序列级别的数据增强功能，如旋转、缩放、翻转和对比度调整，有助于提升模型的泛化能力。在使用时，研究人员可以选择NED-12或NED-16子集，前者适用于样本量要求较高的任务，后者则提供了更全面的视角覆盖。此外，数据集的开源特性使得研究人员可以轻松复现实验，并在此基础上进行进一步的创新研究。

背景与挑战

背景概述

Neonatal Echocardiogram Dataset (NED) 是由多伦多大都会大学和西奈山医院的研究团队于2025年发布的一个专注于新生儿超声心动图视角分类的开源数据集。该数据集包含16种不同的视角，涵盖了40例患者的1049段视频，每段视频时长约1秒。NED的创建旨在通过现代机器学习算法解决新生儿超声心动图视角分类问题，从而为非专业技术人员提供更便捷的诊断和筛查工具。该数据集的发布填补了新生儿超声心动图领域的数据空白，并为相关研究提供了重要的基准。NED的标注由经验丰富的医生完成，确保了数据的专业性和可靠性。

当前挑战

NED数据集在解决新生儿超声心动图视角分类问题时面临多重挑战。首先，不同视角之间的差异可能非常细微，尤其是在病理状态或扫描环境不同的情况下，视角的区分变得更加复杂。其次，传统方法将视角分类视为图像分类问题，忽略了心脏动态运动中的时间信息，导致分类精度受限。NED通过引入视频分类方法，结合时空信息，显著提升了分类性能。然而，数据集的构建过程也面临挑战，包括数据采集的自然类别不平衡、扫描环境的多样性以及标注的高专业要求。此外，如何在有限的计算资源下实现实时分类，也是该领域亟待解决的问题。

常用场景

经典使用场景

Neonatal Echocardiogram Dataset (NED) 主要用于新生儿超声心动图视角分类的研究。该数据集通过提供16种不同的视角视频，支持研究人员开发自动化视角分类模型，特别是在资源有限的医疗机构中，帮助非专业技术人员进行快速诊断和筛查。数据集的使用场景涵盖了从单帧图像分类到多帧视频分类的过渡，强调了时间信息在视角分类中的重要性。

衍生相关工作

NED 的发布推动了多个相关领域的研究进展，特别是在基于深度学习的医学图像分析领域。该数据集衍生了一系列经典工作，如基于注意力机制的视角分类模型、多帧视频分类方法以及结合时间信息的特征提取技术。这些工作不仅扩展了NED的应用范围，还为其他医学影像数据集的处理提供了新的思路和技术参考。

数据集最近研究

最新研究方向

在新生儿超声心动图领域，Neonatal Echocardiogram Dataset (NED) 的最新研究方向聚焦于通过时空特征融合技术提升视角分类的准确性。传统方法通常将视角分类视为图像分类问题，而NED的研究则创新性地将其视为视频分类问题，利用卷积神经网络（CNN）与门控循环单元（GRU）结合的架构，通过时空特征编织（Temporal Feature Weaving, TFW）方法，显著提升了分类性能。这一方法不仅考虑了单帧图像的空间特征，还通过多帧序列捕捉心脏动态变化中的时间信息，从而在复杂视角区分上取得了突破性进展。NED的发布为这一领域的研究提供了高质量的数据支持，推动了新生儿超声心动图自动分类技术的发展，为资源有限的医疗机构提供了更高效的诊断工具。

相关研究论文

• Temporal Feature Weaving for Neonatal Echocardiographic Viewpoint Video Classification

  多伦多大都会大学, 西奈山医院 · 2025年