HCC MRI marcación de imágenes conjunto de datos

Dataset Overview

Nombre del conjunto de datos	HCC MRI Multi-Sequence Image Inserting Data Set
Volumen total de datos	52,800 casos (con una imagen notificada 3,17 millones de marcos)
Formato de datos	DICOM 3.0 / NifTI / JSON label
Tipo de serie	T1WI / T2WI / DWI / ADC / DCE potencia de varias etapas
Fuente de datos	Unidad de radiología de la instalación médica cooperativa (multicentres, multiequipment, depuración ética)
Método de anotación	Marcado independiente de 2 radiólogos + 1 arbitraje médico jefe
Protección de privacidad	DICOM Información general Desensibilización, caracterización facial, HIPAA/GDPR
Frecuencia de actualización	Incrementos trimestrales, aumento medio anual de 8.000 - 12.000

Descripción detallada de las dimensiones de datos

Nombre del campo	Tipo de datos	Rango de valor / Descripción
patient_id	String(32)	IID, Formato: P{center}{seq}
study_uid	String(64)	DICOM Información de historia UID
age_group	Enum	18-30 / 31-45 / 46-60 / 61-75 / 76+
gender	Enum	M / F
sequence_type	Enum	T1WI \| T2WI \| DWI \| ADC \| DCE_ART \| DCE_PVP \| DCE_DELAY
slice_thickness	Float	1.0 - 8.0 mm
pixel_spacing	Array[2]	[x_spacing, y_spacing] mm
matrix_size	Array[2]	[256-1024, 256-1024]
lesion_label	Enum	HCC \| ICC \| MET \| HEM \| FNH \| CYST \| NORMAL
li_rads	Enum	LR-1 \| LR-2 \| LR-3 \| LR-4 \| LR-5 \| LR-M \| LR-TIV
lesion_size	Object	{long_axis_mm, short_axis_mm, volume_ml}
segmentation	Array	Coordenadas de vértice poligon (coordenadas físicas, mm)
seg_mask_path	String	Dividir la máscara archivo NiffTI ruta relativa
b_value	Integer	0 / 50 / 400 / 800 / 1000 (DWI Sequence)
annotator_consensus	Float	Coeficiente de dados entre etiquetas: 0.0 - 1.0
qc_status	Enum	PASS \| FLAGGED \| REJECTED

Muestra de datos JSON de identificación

[ { "patient_id": "P01A003824", "study_uid": "1.2.840.113619.x.masked.240518.001", "age_group": "46-60", "gender": "M", "sequence_type": "DCE_ART", "slice_thickness": 3.0, "pixel_spacing": [0.68, 0.68], "matrix_size": [512, 512], "lesion_label": "HCC", "li_rads": "LR-5", "lesion_size": {"long_axis_mm": 42.3, "short_axis_mm": 28.7, "volume_ml": 18.2}, "segmentation": [[125.3, 210.7], [130.1, 215.2], [128.9, 220.8], [120.5, 218.4], [118.2, 212.0]], "seg_mask_path": "masks/P01A003824_DCE_ART_HCC.nii.gz", "annotator_consensus": 0.92, "qc_status": "PASS" }, { "patient_id": "P02B015637", "study_uid": "1.2.840.113619.x.masked.240312.002", "age_group": "31-45", "gender": "F", "sequence_type": "T2WI", "slice_thickness": 5.0, "pixel_spacing": [0.94, 0.94], "matrix_size": [384, 384], "lesion_label": "HEM", "li_rads": "LR-1", "lesion_size": {"long_axis_mm": 12.1, "short_axis_mm": 8.5, "volume_ml": 0.46}, "segmentation": [[340.5, 155.2], [345.8, 158.0], [343.1, 162.7], [338.2, 160.1]], "seg_mask_path": "masks/P02B015637_T2WI_HEM.nii.gz", "annotator_consensus": 0.88, "qc_status": "PASS" }, { "patient_id": "P03C027419", "study_uid": "1.2.840.113619.x.masked.240115.003", "age_group": "61-75", "gender": "M", "sequence_type": "DWI", "slice_thickness": 5.0, "pixel_spacing": [1.17, 1.17], "matrix_size": [256, 256], "b_value": 800, "lesion_label": "ICC", "li_rads": "LR-M", "lesion_size": {"long_axis_mm": 55.8, "short_axis_mm": 41.2, "volume_ml": 49.6}, "segmentation": [[89.2, 78.4], [95.6, 82.1], [94.8, 88.7], [87.3, 91.5], [82.1, 85.2]], "seg_mask_path": "masks/P03C027419_DWI_ICC.nii.gz", "annotator_consensus": 0.95, "qc_status": "PASS" }, { "patient_id": "P01A003825", "study_uid": "1.2.840.113619.x.masked.240518.004", "age_group": "46-60", "gender": "M", "sequence_type": "DCE_PVP", "slice_thickness": 3.0, "pixel_spacing": [0.68, 0.68], "matrix_size": [512, 512], "lesion_label": "HCC", "li_rads": "LR-5", "lesion_size": {"long_axis_mm": 40.1, "short_axis_mm": 26.9, "volume_ml": 15.2}, "segmentation": [[122.0, 208.1], [127.1, 213.0], [126.3, 218.2], [118.0, 216.0], [115.5, 209.8]], "seg_mask_path": "masks/P01A003825_DCE_PVP_HCC.nii.gz", "annotator_consensus": 0.93, "qc_status": "PASS" }, { "patient_id": "P04D008992", "study_uid": "1.2.840.113619.x.masked.240707.005", "age_group": "76+", "gender": "F", "sequence_type": "DCE_DELAY", "slice_thickness": 4.0, "pixel_spacing": [0.82, 0.82], "matrix_size": [480, 480], "lesion_label": "NORMAL", "li_rads": "LR-1", "lesion_size": null, "segmentation": null, "seg_mask_path": null, "annotator_consensus": null, "qc_status": "PASS" } ]

标注规范与质量控制

标注标准

Clasificación de la enfermedad por el diagnóstico de la enfermedad siguiendo los criterios diagnósticos de LI-RADS v2018
Dividir la etiqueta usando una capa por capa de 1 mm, los valores interpolados suaves
La alineación de múltiples series se basa en el período de arteria mejorada T1WI, la rigidez + alineación de imitación, medidas similares a las mi
Herramienta de embutición: ITK-SNAP / 3D Slicer, salida uniforme en formato NNFTI

Proceso de Control Masivo (clase III)

Nivel I autoexamen:Después de que el médico haya hecho la marca, revisa todos los casos y corrige el error obvio.
Nivel 2 de comprobación cruzada:Otro médico de pares, cruzado, Dice < ; 0.80 devolvió el repost.
Comprobaciones de expertos de tercer nivel:El médico principal extrae al azar 15% del número total de casos, tasa global consistente? 0.90.
Label Consistency:Coeficiente Kappa para clasificación LI-RADS 0,85

质量指标

99.2%

Tasa de integridad de los datos

0.92

Coeficiente promedio de dados

0.87

LI-RADS Kappa

<1.5%

Tasa de denuncia

Casos de uso de capacitación de AI

Prueba y clasificación de la hepatitis

Modelo de aplicación: NU-Net / YOLOv8-3D / SwinUNETR / MONAI. Una calibración de imagen a extremo de la calibración multisequencia del modelo de clasificación automática de cocineros y LI-RADS, FROC & g; 0,85 estándares aceptables clínicos.

Dividencia de imagen médica 3D

Modelo de aplicación: NU-Net / SegResNet / UNETR / MedSAM. Traducir etiquetas poligonales en una máscara de bodyware 3D para proporcionar entrenamiento de división semántica en apoyo de múltiples categorías (HCC/ICC/HEM, etc.).

Adaptación e integración de múltiples series

Modelo de aplicación: VoxelMorph / TransMorph / LapirN. Utilizando las etiquetas, se proporciona capacitación en una red deformable con datos de serie múltiple, autospace alinea las diferentes imágenes de la serie de resonancia magnética.

Grupo de imagen y pronóstico

Modelos de aplicación: Radimítico (PyRadiomics)+XGBoost/ Bosque Aleatorio. Extract 1000+D características del grupo de imagen de la máscara de partición, construir modelos como HCC Post-Reactivation Forecast, MVI Status Classification, etc.

Obtener este Dataset

Los conjuntos de datos de imagen de HCC MRI proporcionan autorizaciones comerciales, incluyendo documentos completos de etiquetado e imágenes DICOM disensibilizadas.

137-5502-0164 Consulta en línea

Datos relacionados

商业应用价值

A. Productos de diagnóstico asistidos

La formación del sistema de hígado basado en AIS (CADE/CADx), respaldado por conjuntos de datos estándar necesarios para la aprobación de los tres tipos de certificados de NMPA, es de más de 5.000 millones de dólares.

Image Cloud Platform

El módulo de control de calidad y presentación de informes estructurados inteligentes integrado en el sistema PACS de la nube mejora la eficiencia de la Sección ' s reportando más del 40% y reduce la tasa de fuga.

Ensayos clínicos de plantas farmacéuticas

Proporciona datos de referencia independientes de evaluación de imágenes (IRC) para ensayos clínicos de medicamentos/inmunoterapia para objetivos de cáncer de hígado y acelera el proceso de aprobación de fármacos.

HCC MRI Imaging Annotation Dataset