콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
본 데이터는
온라인 안심존 데이터 ?

온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석

입니다.
#헬스케어 의료

NEW 경동맥 혈관 CT 및 MRI 데이터

경동맥 혈관 CT 및 MRI 데이터 아이콘 이미지
  • 분야헬스케어
  • 구분 안심존(온라인)
  • 유형 이미지
구축년도 : 2023 갱신년월 : 2024-10 조회수 : 5,151 다운로드 : 73

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2024-10-30 데이터 최종 개방
    1.0 2024-07-05 데이터 개방 Beta Version

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-07-05 산출물 공개 Beta Version

    소개

    - 경동맥 환자의 진단을 위해 MRI/MRA/CT/CTA 데이터를 각각 18,750건씩 구축. 협착이 발생한 혈관의 영역을 polygon 가공하여 경동맥 협착 확인 가능하게 함.

    구축목적

    - 경동맥 혈관 질환을 진단할 수 있는 AI 학습용 이미지 데이터 구축
  • - 데이터 구축 규모 및 분포

    데이터 구축 규모 및 분포
    구분 규모 파일 형태
    CT 2D 이미지 18,750장 JPG, JSON
    MRI 2D 이미지 18,750장 JPG, JSON
    CTA 2D 이미지 18,750장 JPG, JSON
    MRA 2D 이미지 18,750장 JPG, JSON

     

    - 클래스별 데이터 비율

    클래스별 데이터 비율
    데이터명 세부 데이터명 원천데이터 구분 구축 비율
    경동맥 혈관 CT 및 MRI 데이터 MRI/MRA/CT/CTA 데이터 중증도별 Normal
    (정상)
    10.00%
    Mild Stenosis 35.00%
    Moderate Stenosis 30.00%
    Severe Stenosis 25.00%
    협착위치별 Common Carotid Artery (CCA) 15.00%
    Internal Carotid Artery (ICA) 85.00%
    장비별 Philips 5.00%
    Simens 40.00%
    GE 50.00%
    기타 5.00%
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드
    AI 모델 상세 설명서
    데이터명 세부 데이터명 AI모델 task AI모델
    (후보)
    성능 지표 및 목표값 Data I/O
    경동맥 혈관 CT 및 MRI 데이터 경동맥 MRI 데이터 Object Detection / Segmentation UNet mIoU(0.8) Input data : MRI 이미지
    output data : 협착 발생 영역
    경동맥 MRI 데이터 UNet 구조
    Classification ResNet ACC(80%) Input data : MRI 이미지
    output data : 중증도
    경동맥 MRI 데이터 ResNet 구조
    경동맥 MRA 데이터 Object Detection / Segmentation 3D ResNet + 3D UNet mIoU(0.8) Input data : MRA 이미지
    output data : 협착 영역
    경동맥 MRA 데이터 3D ResNet + 3D UNet 구조
    Classification 3D ResNet ACC(80%) Input data : MRA 이미지
    output data : 중증도
    경동맥 MRA 데이터 3D ResNet 구조
    경동맥 CT 데이터 Object Detection / Segmentation UNet mIoU(0.8) Input data : CT 이미지
    output data : 협착 발생 영역
    경동맥 CT 데이터 UNet 구조
    Classification ResNet ACC(80%) Input data : CT 이미지
    output data : 중증도
    경동맥 CT 데이터 ResNet 구조
    경동맥 CTA 데이터 Object Detection / Segmentation 3D ResNet + 3D UNet mIoU(0.8) Input data : CTA 이미지
    output data : 협착 영역
    경동맥 CTA 데이터 3D ResNet + 3D UNet 구조
    Classification 3D ResNet ACC(80%) Input data : CTA 이미지
    output data : 중증도
    경동맥 CTA 데이터 3D ResNet 구조

     

    - 경동맥 MRI/CT 데이터
      · Object Detection / Segmentation
        - Biomedical 분야에서 초음파 영상 분석에 많이 활용되는 인공지능 모델인 UNet을 경동맥 영상 분석에 활용할 수 있도록 적절하게 모델을 변형
        - Encoder, Decoder에 포함되는 Block의 형태를 변형하여 모델을 커스터마이즈하여 개발
        - 의료 영상의 특성을 고려하여, Encoder에 사용되는 Block에 Feature 값을 Remapping 하는 방식으로 모델 커스터마이즈 예정

    Object Detection Segmentation

    · Classification
        - 단일 ResNet을 활용할 계획이지만, 파라미터가 매우 많아 성능이 다소 떨어질 수 있음을 고려하여, SqueezeNet이나 AlexNet 과같이 적은 파라미터의 모델을 앙상블 학습하여 모델을 개발

    Classification

     

    - 경동맥 MRA/CTA 데이터
      · Object Detection / Segmentation
        - MRA/CTA 데이터는 기본적으로 촬영 시 3-axis 데이터가 수집이 되어 초음파나 MRI,CT 데이터와 다르게, 3D 데이터의 형식으로 구성됨
        - 이를 고려하여, 3D ResNet과 3D UNet을 결합하여 특징영역을 추출하는 방식으로 학습하여 인공지능 모델을 개발
      · Classification
        - 3D 데이터 분석 성능이 뛰어난 3D ResNet을 활용해 Classification 모델을 구현함
        - 3D ResNet을 통해 생성된 특징맵을 Fully Connected 한 이후, 환자의 정보와 같은 학습에 활용 가능한 추가 데이터를 덧붙여, 간단한 MLP를 구성하여 최종 중증도에 대한 클래스를 계산함

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    - 데이터 구성

    데이터 구성
    데이터명 세부 데이터명 AI 모델 Task 어노테이션 방법 주요 어노테이션 속성  속성 설명 라벨링 데이터 포맷
    경동맥 혈관 CT 및 MRI 데이터 MRI 데이터 Object Detection, Segmentation, Classification BBox, Polygon bbox 협착부위 바운딩박스 정보
    (좌표,라벨값)
    JSON
    polygon 협착부위 바운딩박스 정보
    (좌표,라벨값)
    CT 데이터 Object Detection, Segmentation, Classification BBox, Polygon bbox 협착부위 바운딩박스 정보
    (좌표,라벨값)
    JSON
    polygon 협착부위 바운딩박스 정보
    (좌표,라벨값)

     

    데이터 구성2
    번호 속성명 속성설명 타입 형식/범위 예시
    1 image_info 이미지정보 Object    
      1_1 filename 파일명 String [파일명] 20230504_123
    1_2 hospital 수집병원 String - 삼성서울병원
    1_3 file_format 파일포맷 String - JPG
    1_4 image_size 이미지크기 String - 6400KB
    1_5 device 촬영장비정보 String - SS900N
    1_6 resolution 해상도 String - 1920x1080
    2 annotation_info 어노테이션정보 List -  
      2_1 id 어노테이션 ID String - A_1234567
    2_2 label 라벨명 String - plaque
    2_3 bbox_info 바운딩박스 정보 Objcet -  
      2_3_1 id 바운딩박스 ID String -  
    2_3_2 points 바운딩박스 좌표 List -  
      2_4 polygon_info 폴리곤 정보 Object -  
      2_4_1 id 폴리곤 ID String -  
    2_4_2 points 폴리곤 좌표정보 List -  
    3 patient_info 환자 메타정보 Object -  
      3_1 code 환자번호 String - SS000001
    3_2 age 연령대 String - 30대
    3_3 sex 성별 String - M
    3_4 c_date 검사연월 String YYYYMM 202305
    4 severity 중증도 String - Moderate
    5 location 협착위치 String - ICA, CCA

     

    - 데이터 분포

    데이터 분포
    세부
    데이터명
    데이터 구분 구축수량
    (명/건)
    CT 소계 2,046/18,750
    * 협착 중증도 별
    · Normal
    · Mild
    · Moderate
    · Severe
    367 / 2,542
    1,023 / 9,616 
    350 / 3,321  
    306 / 3,271 
    MRI 소계 828 / 18,750
    * 협착 중증도 별
    · Normal
    · Mild
    · Moderate
    · Severe
    53 / 1,210
    339 / 7,903 
    284 / 6,206  
    152 / 3,431
    CTA 소계 945 / 18,750
    * 협착 중증도 별
    · Normal
    · Mild
    · Moderate
    · Severe
    26 / 299
    807 / 16,417 
    60 / 1,205  
    52 / 829
    MRI 소계 1,081 / 18,750
    * 협착 중증도 별
    · Normal
    · Mild
    · Moderate
    · Severe
    38 / 650
    882 / 15,351 
    69 / 1,100  
    92 / 1,649
    합계  4,900 / 75,000

     

    - 어노테이션 포맷

    어노테이션 포맷
    번호 속성명 속성설명 타입 형식/범위 예시
    1 image_info 이미지정보 Object    
      1_1 filename 파일명 String [파일명] 20230504_123
    1_2 hospital 수집병원 String - 삼성서울병원
    1_3 file_format 파일포맷 String - JPG
    1_4 image_size 이미지크기 String - 6400KB
    1_5 device 촬영장비정보 String - SS900N
    1_6 resolution 해상도 String - 1920x1080
    2 annotation_info 어노테이션정보 List -  
      2_1 id 어노테이션 ID String - A_1234567
    2_2 label 라벨명 String - plaque
    2_3 bbox_info 바운딩박스 정보 Objcet -  
      2_3_1 id 바운딩박스 ID String -  
    2_3_2 points 바운딩박스 좌표 List -  
      2_4 polygon_info 폴리곤 정보 Object -  
      2_4_1 id 폴리곤 ID String -  
    2_4_2 points 폴리곤 좌표정보 List -  
    3 patient_info 환자 메타정보 Object -  
      3_1 code 환자번호 String - SS000001
    3_2 age 연령대 String - 30대
    3_3 sex 성별 String - M
    3_4 c_date 검사연월 String YYYYMM 202305
    4 severity 중증도 String - Moderate
    5 location 협착위치 String - ICA, CCA

     

    - JSON 포맷 실제 예시

     

    {"image_info": {"filename": "DATA_00281635", "hospital": "양산부산대학교병원", "file_format": "jpg", "file_size": "10KB", "device": "SIEMENS / Definition Flash", "file_type":
     "CT", "resolution": "512x512"}, "annotation_info": [{"polygon_info": {"id": "PLY_202312211310340000002", "points": [[206.4703546099291, 294.9190378006873], [
    202.20973995271868, 297.7341580756014], [200.27309692671395, 298.2971821305842], [195.6251536643026, 299.4232302405498], [189.81522458628842, 298.2971821305842], [
    187.87858156028366, 294.3560137457045], [186.71659574468086, 288.1627491408935], [187.1039243498818, 281.9694845360825], [190.58988179669032, 275.7762199312715], [
    194.07583924349882, 274.087147766323], [199.1111111111111, 274.087147766323], [203.75905437352245, 275.7762199312715], [206.4703546099291, 279.71738831615113], [
    207.6323404255319, 286.473676975945]]}, "label_cd": "12", "label": "혈관", "id": "ANT_202312211310340000002", "diameter": [[186.3538360595703, 285.16925048828125], [
    206.7846221923828, 287.72308349609375]]}, {"polygon_info": {"id": "PLY_202312211310340000003", "points": [[324.9929078014184, 278.5913402061856], [320.73229314420803, 
    280.28041237113405], [314.5350354609929, 277.4652920962199], [312.21106382978724, 273.5241237113402], [310.66174940898344, 269.0199312714777], [310.66174940898344, 
    263.9527147766323], [312.59839243498817, 261.1375945017182], [316.4716784869976, 261.1375945017182], [319.57030732860517, 261.70061855670104], [322.66893617021276, 
    263.9527147766323], [325.38023640661936, 269.5829553264605], [325.76756501182035, 273.5241237113402]]}, "label_cd": "12", "label": "혈관", "id": "ANT_202312211310340000003",
     "diameter": [[311.800048828125, 272.60003662109375], [323.800048828125, 266.60003662109375]]}], "patient_info": {"code": "PCT09201238470002", "age": "60대", "sex": "2", 
    "c_date": "201109"}, "location": "ICA", "severity": "Modereate"}

  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜브랜드콘텐츠
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    최훈녕 010-9456-3520 operating@techncare.co.kr 과제총괄
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    경북대학교병원 데이터 획득
    양산부산대학교병원 데이터 획득
    삼성서울병원 데이터 획득
    ㈜모니터코퍼레이션 데이터 정제
    ㈜인비즈 데이터 정제
    ㈜선도소프트 데이터 가공
    ㈜코코아플러스 데이터 가공
    대한심장혈관영상의학회 데이터 검수 및 자문
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    이명재 02-6247-0770 it.brightj@techncare.co.kr
    AI모델 관련 문의처
    AI모델 관련 문의처
    담당자명 전화번호 이메일
    이명재 02-6247-0770 it.brightj@techncare.co.kr
    저작도구 관련 문의처
    저작도구 관련 문의처
    담당자명 전화번호 이메일
    이명재 02-6247-0770 it.brightj@techncare.co.kr
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.