覆盖CT、MRI、X-Ray、超声四大模态的百万级医学影像数据集，支持病灶检测、分割、分类与报告生成等多任务AI模型训练
| 数据格式 | DICOM / NIfTI / PNG，保留完整元数据（扫描参数、层厚、重建核、设备厂商等） |
|---|---|
| 矩阵分辨率 | CT/MRI ≥ 512×512；X-Ray ≥ 2048×2048；超声 ≥ 800×600 |
| 标注类型 | 病灶检测框（Bounding Box）、语义分割（Segmentation Mask）、分类标签、关键点 |
| 标注格式 | COCO JSON / YOLO TXT / DICOM RT Struct / NIfTI Label Map |
| 设备分布 | GE / Siemens / Philips / Canon / Mindray 等多厂商设备，确保模型泛化性 |
| 质量要求 | 不含严重运动伪影与金属伪影，双医师标注 + 主任审核 |
| 标注流程 | AI预标注 → 2名医师独立修正 → 主任医师仲裁分歧 → 终审入库 |
|---|---|
| 分类准确率 | ≥ 98% |
| 分割Dice系数 | ≥ 0.88 |
| 检测mAP@0.5 | ≥ 0.91 |
| 争议率 | < 2.1% |
跨模态、跨部位的通用病灶检测模型，可作为医学影像AI基础模型底座。适用YOLO/DETR/DINO等架构。
训练覆盖全身多器官的通用分割模型，支持CT/MRI双模态。适用nnU-Net/SAM-Med2D等架构。
基于图文配对数据训练放射报告自动生成模型，适用视觉编码器+LLM解码器架构。
利用多中心、多设备数据训练对采集设备不敏感的域泛化模型，提升临床部署可靠性。
所有数据均经过彻底脱敏处理，已去除全部可直接或间接识别个人身份的信息，仅保留与医学研究相关的参数与标签。
| 已脱敏字段 | 姓名、身份证号、电话号码、住址、住院号等所有个人身份标识 |
|---|---|
| 保留字段 | DICOM扫描参数、影像像素数据、病灶标注、病理诊断信息 |