A4C-CDV dataset

该数据集包含1868个四腔心彩色多普勒超声心动图视频（A4C-CDV），由经验丰富的超声医生进行标注，分为正常（Grade 0，965个）、轻度MR（Grade 1，677个）和中重度MR（Grade 2，226个）。数据集用于训练和评估一种名为MReg的自动化MR诊断模型，该模型通过特征挖掘策略检测MR并评估其严重程度，旨在提高诊断的客观性和准确性。

This dataset contains 1,868 four-chamber view color Doppler echocardiography video clips (A4C-CDV), which were manually annotated by experienced sonographers. The samples are categorized into three severity grades: normal (Grade 0, 965 cases), mild mitral regurgitation (MR, Grade 1, 677 cases), and moderate-to-severe mitral regurgitation (Grade 2, 226 cases). This dataset is developed for training and evaluating an automated MR diagnostic model named MReg, which detects mitral regurgitation and assesses its severity via a feature mining strategy, aiming to improve the objectivity and accuracy of clinical diagnosis.

原始信息汇总

MReg数据集概述

基本信息

• 数据集名称：MReg
• 相关会议：MICCAI 2025

当前状态

• 代码即将发布（The Code is coming soon）

搜集汇总

数据集介绍

构建方式

A4C-CDV数据集构建基于四腔心彩色多普勒超声心动图视频，共包含1868例病例，由经验丰富的超声医师标注为三个等级：正常（Grade 0）、轻度二尖瓣反流（Grade 1）和中重度二尖瓣反流（Grade 2）。数据采集过程中，通过YOLOv8预训练模型检测感兴趣区域（ROI），并采用多实例学习（MIL）采样方法，将每段视频裁剪为3×16帧的非重叠片段，确保每个片段覆盖至少一个完整心动周期。视频帧统一调整为224×224分辨率，以适配后续深度学习模型的输入要求。

使用方法

该数据集专为二尖瓣反流智能诊断模型开发而设计。使用时，首先通过多实例学习策略从视频中提取代表性片段，再采用X-CLIP预训练模型提取时空特征。研究提出的MReg框架进一步通过特征选择模块模拟超声医师的诊断逻辑，利用特征放大机制增强局部反流信号，最后基于混合专家（MoE）模块实现分级特征解耦。评估阶段采用准确率、召回率等五项指标，并通过卡方检验验证显著性。数据集已成功应用于回归任务，证明了其相较于传统分类方法更能捕捉疾病严重程度的连续性特征。

背景与挑战

背景概述

A4C-CDV数据集由深圳大学医学超声图像计算实验室（MUSIC Lab）于2025年提出，聚焦于二尖瓣反流（MR）的智能诊断研究。作为首个基于四腔心彩色多普勒超声视频（A4C-CDV）的MR专用数据集，其1868例临床病例包含三种分级标签，解决了传统MR诊断依赖医师经验导致的 subjectivity问题。该数据集支撑了创新性回归模型MReg的开发，通过混合专家（MoE）机制实现特征解耦，推动了动态超声视频分析在心脏瓣膜病领域的发展，相关成果发表于计算机视觉顶会并开源代码，为超声影像智能分析建立了新范式。

当前挑战

在领域问题层面，A4C-CDV需解决三大核心挑战：1）多射流或偏心性反流导致的复杂病例判别难题，如中重度MR与轻度MR可能呈现相似反流面积；2）数据分布不平衡引发的类别间诊断准确率差异，特别是中度MR样本不足导致的误诊率升高；3）动态视频特征与静态关键帧的协同利用问题。在构建过程中，研究团队面临超声视频标注一致性控制、心脏周期动态特征提取，以及ROI检测精度对后续分析的级联影响等工程挑战，最终通过YOLOv8预训练模型和多重实例学习（MIL）采样策略予以克服。

常用场景

经典使用场景

A4C-CDV数据集在医学影像分析领域具有重要价值，尤其在二尖瓣反流（MR）的诊断与分级中表现突出。该数据集通过四腔心彩色多普勒超声心动图视频（A4C-CDV）捕捉心脏血流动态信息，为研究人员提供了丰富的视觉数据以开发自动化诊断模型。其经典使用场景包括基于深度学习的MR检测与严重程度评估，通过回归任务建模类别间的连续性关系，显著提升了诊断的准确性与临床适用性。

解决学术问题

该数据集有效解决了传统MR诊断中依赖医师经验导致的 subjectivity问题，以及现有智能方法因忽略动态信息或数据不平衡导致的分类性能局限。通过回归任务设计、特征选择与放大机制，以及混合专家（MoE）模块，A4C-CDV支持模型捕捉反流喷射面积、持续时间等关键特征，显著改善了中度与重度MR的识别率（如Grade 2召回率提升20.41%），为心脏瓣膜病的定量分析提供了新范式。

实际应用

在临床实践中，A4C-CDV数据集支撑的MReg模型可集成至超声设备工作流，实现MR的实时自动化筛查。其特征放大策略模拟了超声医师局部放大的诊断逻辑，适用于复杂病例（如多喷射流或偏心性反流）的分析。实际应用中，该技术可降低基层医疗机构对专家经验的依赖，提升大规模筛查效率，并为治疗决策提供客观依据。

数据集最近研究

最新研究方向

在心脏超声影像分析领域，A4C-CDV数据集的最新研究聚焦于利用深度学习技术提升二尖瓣反流（MR）诊断的自动化水平。研究团队提出的MReg模型创新性地将MR诊断任务构建为回归问题，通过特征选择与放大机制模拟超声医师的诊断逻辑，并结合混合专家（MoE）模块实现类别级特征解耦。该研究突破了传统分类模型在捕捉疾病严重程度连续性方面的局限，显著提升了复杂病例（如多束流或偏心性反流）的诊断准确性。这一进展不仅为心血管疾病智能辅助诊断提供了新范式，其提出的视频特征挖掘策略也对医学时序数据分析具有普适性参考价值。

相关研究论文

• MReg: A Novel Regression Model with MoE-based Video Feature Mining for Mitral Regurgitation Diagnosis

  深圳大学医学院生物医学工程系 · 2025年