Dataset Overview
Definición:Millones de imágenes de TC abdominal superior. Setes proporcionado porChangsha Langhui Information Technology Co., Ltd.Una base de datos de imágenes megamedicinas, basada en la plataforma DataAssetsAPI. Cubre el hígado, la vejiga, el páncreas, el bazo, la glándula suprarrenal, el ligadura linfático renal y linfático siete órganos grandes, 1 millón + rebanadas de imágenes DICOM, severamente disensibilizadas y divididas a través del Sistema de Clasificación de Calidad 5 dimensiones (S+/S/A/B/C).
| Nombre del conjunto de datos | Millones de datos de etiquetas de imagen de alta corona |
| Volumen total de datos | 1 millón + rebanadas de imagen DICOM (incluyendo secuencias barrido + mejorado) |
| Formato de datos | Formato original de DICOM, mantenga los metadatos del parámetro de escaneo completo |
| Órganos cubiertos | 7 órganos principales: hígado, vesícula biliar, páncreas, bazo, glándula suprarrenal, riñón, linfoma abdominal |
| 矩阵分辨率 | ≥ 512 × 512, con algunas secuencias al 1024 × 1024 |
| Tipo de escáner | TC de aplanamiento del abdomen superior, potenciando la TC con pacientes como referencia |
| Distribución del espesor de la capa | 1.0 mm - 1,5 mm de capa fina TC ratio de aproximadamente 80% |
| 设备分布 | GE 256-slice CT representa alrededor del 80%, con equipos de otros fabricantes que sirven como suplemento de diversidad |
| Rango de corriente de control | 200 – 400 MA (con exclusión de datos de anomalías de usuario 800 MA) |
| Fase | Después del tratamiento, las imágenes postoperatorias y tardías del cáncer, principalmente a corto y mediano plazo. |
| Mejorar el intervalo de TC | El mismo paciente tiene que cambiar y mejorar la secuencia. < 7 天 |
| 质量要求 | Libre de artefactos de movimiento severo y artefactos metálicos |
Cobertura de órganos y enfermedades
El conjunto de datos abarca siete órganos abdominales principales, cada uno de los cuales contiene una descripción bien marcada del tipo patógeno común.
Liver
Vejiga de la pierna
Pancreas
Spleen.
glándula adrenal.
Kidney.
腹腔淋巴结
影像数据规范
| 规范项 | 详细说明 |
|---|---|
| Formato de datos | Formato original de DICOM, metadatos completos (parámetros escaneos, capas, renucleares, etc.) |
| 矩阵分辨率 | ≥ 512 × 512, con algunas secuencias al 1024 × 1024 |
| Tipo de escáner | Top abdomen aplanando TC, potenciando TC con pacientes como punto de referencia. |
| Distribución del espesor de la capa | 1.0 mm - 1,5 mm de espesor de capa TC de aproximadamente 80%, con la capa restante de espesor como complemento a la diversidad |
| 设备分布 | GE 256-slice CT representa alrededor del 80%, con equipos de otros fabricantes que sirven como suplemento de diversidad |
| Rango de corriente de control | Escaneo general superior del abdomen 200-400 ma, excluyendo los datos por encima de 800 ma |
| Fase | Después del tratamiento, las imágenes postoperatorias y tardías del cáncer, principalmente a corto y mediano plazo. |
| Mejorar el intervalo de TC | El mismo paciente tiene menos de una semana entre la limpieza y la secuencia mejorada. |
| 质量要求 | Libre de artefactos de movimiento severo y artefactos metálicos |
字段数据维度
| Nombre del campo | Tipo de datos | DimensiónDescripción |
|---|---|---|
| patient_anon_id | String(24) | Identificación única paciente disensible, vinculada a múltiples revisiones de pacientes |
| study_uid | String(64) | DITC STUDY Information UID, Identificación Single CT Check |
| series_uid | String(64) | DICOM Series Information UID, identificando la misma secuencia de escaneo |
| slice_index | Integer | Número de serie de imágenes, un solo cheque puede contener 200-600+ rebanadas |
| scan_type | Enum | PLAIN | ENHANCED_ARTERIAL | ENHANCED_VENOUS | ENHANCED_DELAYED |
| modality | Enum | CT | CECT | CT_SPIRAL |
| slice_thickness | Float | Espesor de capa 0.625-5.0 mm, conjunto de datos de fuerza principal 1.0-1.5 mm, o aproximadamente 80% |
| matrix_size | String | Tamaños de la matriz de rebuild: "512 x 512" o "1024 x 1024". |
| kvp | Integer | Tensión de pirámide 80-140 kVp |
| tube_current_ma | Integer | Corriente controlada 200-400 MA (excluidos datos de anomalías √≥ 800 MA) |
| pixel_spacing | String | Espaciamiento de píxeles: 0,5 mm a 0,9 mm |
| organ_labeled | Array[Enum] | Lista de órganos marcados ["Vista", "Galblebradder", "PANCREAS", "SPLEEN", "ADRENAL", "KIDNY", "LYMPH_NODE"] |
| lesion_present | Boolean | Existencia de una estufa (basada en informes de radiología) |
| lesion_type | Enum | MALIGNANT | BENIGN | INFLAMMATORY | CYSTIC | NORMAL |
| lesion_diameter_mm | Float | Carril máxima (mm) de la estufa, desde las mediciones de la sección de imágenes o etiquetas del equipo de etiquetas |
| lesion_location | String | Descripción del diagrama (por ejemplo, LIVER_SEGMENT_VIII) |
| pathology_confirmed | Boolean | ¿Hay un informe patológico que confirme el diagnóstico? |
| age_group | Enum | 20-30 | 30-40 | 40-50 | 50-60 | 60-70 | 70+ |
| gender | Enum | MALE | FEMALE |
| quality_score | Enum | ¿S_PLUS???? ¿A???? C (Five-D Mass Slotting) |
| motion_artifact | Enum | ¿NINGÚN? MILD? MODERATE (Several motion hipocrisy excluded) |
| report_summary | Text | Resumen del informe de la Sección de Imagen, descripción de la enfermedad y diagnóstico |
Información sobre la inclusión y la presentación de informes
Informe de la sección de imágenes
La sección de la estufa, características morfológicas, tipo patología, evaluación de estadio y gravedad
Patologíainformes
Fuente de la organización de detección, naturaleza de la enfermedad, grado de diferenciación, criterios para la confirmación de caso
Diversidad
Cada categoría de enfermedades abarca diferentes edades, sexos y garantiza la modelabilidad
数据安全与脱敏
Todos los datos han sido completamente desidentificados, con toda la información que pueda identificar directa o indirectamente a un individuo eliminado; sólo se conservan parámetros y etiquetas relevantes para la investigación médica.。
| ProcesamientoTipo | 详细说明 |
|---|---|
| 已脱敏字段 | Todos los identificadores personales como nombre, número de tarjeta de identificación, número de teléfono, dirección y número de hospitalización |
| Campos reservados | DICOM parámetros de exploración, datos de píxeles de imagen, signos de estufa de enfermedad, información patológica de diagnóstico |
Muestra de datos JSON de identificación
A continuación se presenta un modelo JSON estructurado de procesamiento dessensibilizado.
Otros organizadores "Patient anon id": "PAB-CT-20241003-01582", "Study uid": "1.2.840.113619.2.xxx.xxx.xx.xxx.xx.xxx.xx." "series uid": "1.2.840.113619.2.xxx.xx.xxx.xxx.xx.yyy". "Índice de escudo": 245, "escan type": "ENHANCED ARTERIAL", "Modality": "CECT", "Espeso de piojos": 1.25, "tamaño de matrix": "512x512" "kvp": 120, "tube current ma": 350, "Pixel spacing": "0.7" "organ labelled": "Liver", "PANCREAS", "KIDNY", "Lesion present": verdadero, "Lesion type": "malignant", "Diámetro de la rueda": 32,5 "Ubicación de domicilio": "Vive SEGMENT VIII", "Patología confrontada": verdadero, "grupo de edad": "50-60", "gender": "MALE", "La puntuación de calidad": "S", "Artículo de promoción": "NINGUNA", "Report summary": "La octava parte del hígado de mano derecha muestra una baja densidad de aproximadamente 32,5 x 28.0 mm, con un período de arteria escaneada significativamente mejorado, y un período de umbral claro y período de demora, considerando la posibilidad de cáncer primario de células hepáticas. El páncreas y los riñones no son claramente anormales". *Lo siento*
Casos de uso de capacitación de AI
Detección y partición de enfermedades
Modelo de aplicación: NU-Net / YOLOv8-3D / Mask R-CNN / SAM-Med. Basado en el modelo de multiorganización y partición de capa delgada, se proporciona soporte para análisis simultáneo de siete órganos grandes.
Clasificación del bien y del mal
Modelo de aplicación: Transformador de Swin/ResNet-3D/DenseNet. Utilizando características de fase multifase de TC mejoradas, capacitación en modelos de identificación autométrica para tumores vasculares vs. tumores malignos, para ayudar en la clasificación estandarizada LI-RADS.
Análisis conjunto de múltiples organismos
Modelo de aplicación: NNU-Net Multi-Categoría / TransNet / TotalSegmentator. Las estufas multi-organ, como hígado, páncreas y riñones, se separan y clasifican simultáneamente en la misma tomografía computarizada, con un diagnóstico superior del panorama abdominal.
Grupo de imagen y pronóstico
Modelos de aplicación: PyRadiomics + XGBoost / Random Forest. Extraiga características de agrupación de imágenes 1000+D de la máscara de partición, construya modelos como pronóstico del tumor, evaluación del riesgo de transferencia de linfoma.
影像报告自动生成
Modelo de aplicación: Modelo multimodular LLM / Vision-Language. Sistema de formación de pares de vídeo automatizado de reportes, reportaje de imagen estructurada de salida, más del 40% de eficiencia en radiología.
predicción de transferencia de nudos linfáticos
Modelo de aplicación: GNN gráfico red neuronal / CNN 3D. Linfoma cervical detección y transferencia de clasificación de riesgo, apoyo a la ración tumoral y la toma de decisiones del programa de tratamiento.
Sistemas de recogida de datos y control de calidad
Colección de datos brutos
Recopilación de datos DICOM crudos del Centro de Imagen Cooperativa y eliminación de PHI del flujo de agua por líneas de agua des-sensibles
Filtro de control de masa
Detectar automáticamente problemas de masa como hipotéticos de movimiento, permutaciones de metal, rangos de escaneo incompletos y eliminar imágenes insatisfactorias
El kit médico está marcado y revisado.
RIO por experto en video médico, doble revisión + mecanismo de arbitraje para asegurar la precisión
质量分档入库
S+/S/A/B/C-5 basado en la calidad de imagen, la integridad de marcación, el reconocimiento patológico
FAQ
¿Un programa de datos de TC abdominal superior personalizado?
Changsha Langhui Information Technology Co., Ltd. La plataforma DataAsetsAPI está dedicada a proporcionar activos de datos de imagen médica de alta calidad y conformes a las empresas de inteligencia artificial y las instituciones científicas.
Vista previa de la muestra de datos · Soluciones de datos personalizadas · Soporte técnico profesional