最近又挖到一个医学影像领域的宝藏数据集------LUMOS，它是首个专门为腰椎骨质疏松筛查设计的多模态数据集，目前正在ACM MM 2025 Dataset Track审核中，对做医疗AI、骨质疏松症检测相关研究的小伙伴来说超有价值，先存下来分享一波！
📝 数据集核心价值
不同于传统骨质疏松筛查数据集，LUMOS聚焦腰椎多模态数据整合，填补了三大关键空白：缺乏解剖成像数据、缺乏配对影像、缺乏标准化骨密度参考值。它基于真实临床场景构建，能为骨质疏松症自动分类、骨密度预测等医疗AI算法的开发与验证提供高质量数据支撑。
👥 研发团队
由浙江大学与浙江大学医学院附属第二医院联合打造：
Keyue Shi¹、Qianqian Shen¹、Zhaoming Ye²、Liangjun Jiang²、Jiajun Bu¹、Haishuai Wang¹
¹ 浙江大学计算机学院，浙江省可达感知与智能系统重点实验室 ² 浙江大学医学院附属第二医院骨科
📊 数据集核心信息
数据规模：整合803名亚洲患者的临床数据，含1620张腰椎前后位/侧位X射线图像（带骨密度值和T值）、280张腰椎CT扫描图像，以及完整人口统计信息和DXA检测结果。
数据特点：
-
高质量标准：模态间隔≤6个月，放射学质量评分≥8分（无运动伪影），信息完整度高
-
临床一致性：数据分析结果与临床知识相符（如年龄与骨密度负相关、女性骨质疏松患病率更高等）
-
特征典型性：年龄偏向老年人（60-79岁占63.1%），女性占比80.7%，符合骨质疏松症流行病学特征
💡 潜在应用方向
-
骨质疏松症分类：用X射线（经济便捷）或CT（高分辨率）训练模型，多模态融合可提升诊断准确率
-
骨密度（BMD）预测：通过影像特征估算BMD，为初步筛查提供可行方案
-
医学图像合成：提供真实配对X射线-CT数据，支持X射线生成CT的研究，助力资源匮乏地区诊断
-
图像标准化与分割：适合开发领域泛化技术，也可验证SAM等模型的自动分割效果
🔗 完整资源链（溯源必备）
💡 我已经把这个数据集加入收藏夹了，等后续公开就能第一时间获取。它的多模态和临床真实性在同类数据集中很稀缺，做医疗影像或骨质疏松症AI研究的同学可以重点关注，使用时记得引用原论文哦～