Aperçu des données
Définition:百万级上腹部CT影像数据集est fourni parChangsha Langhui Information Technology Co., Ltd.Une base de données d'images mégamédecine, basée sur la plateforme DataAssetsAPI. Elle couvre le foie, la vésicule biliaire, le pancréas, la rate, la glande surrénale, la ligature lymphatique rénale et lymphatique sept grands organes, 1 million + tranches d'images DICOM, fortement disséminées et divisées par le système d'évaluation de la qualité 5 dimensions (S+/S/A/B/C).
| Nom de l'ensemble de données | Des millions de jeux de données d'étiquettes d'image CT à respiration supérieure |
| Volume total des données | 1 million + tranches d'image DICOM (y compris balayage + séquences améliorées) |
| Format des données | Format DICOM original, garder toutes les métadonnées des paramètres de numérisation |
| Covered Organs | 7 organes principaux: foie, vésicule biliaire, pancréas, rate, glande surrénale, rein, lymphome abdominal |
| 矩阵分辨率 | ≥ 512 × 512，部分序列 1024 × 1024 |
| 扫描类型 | Top abdominal aplatissant CT, stimulant CT avec les patients comme une référence |
| 层厚分布 | 1,0 mm - 1,5 mm de couche mince CT rapport d'environ 80% |
| 设备分布 | GE 256 Platon CT 80%, les autres fabricants complétant la diversité |
| 管电流范围 | 200 – 400 MA (> 800 MA données anomalie exclues) |
| 病程阶段 | 以早中期病程为主，排除治疗后、术后及癌症晚期影像 |
| Améliorer l'intervalle CT | Le même patient doit faire glisser et améliorer la séquence. < 7 天 |
| 质量要求 | 不含严重运动伪影与金属伪影 |
Couverture des organes et des maladies
L'ensemble de données couvre sept organes abdominaux majeurs, chacun contenant une description finement marquée du type pathogène commun.
Liver
Gall bladder
Pancreas
脾脏
肾上腺
肾脏
腹腔淋巴结
影像数据规范
| 规范项 | 详细说明 |
|---|---|
| Format des données | Format DICOM original, métadonnées complètes (paramètres de balayage, couches, re-nucléaires, etc.) |
| 矩阵分辨率 | ≥ 512 × 512，部分序列 1024 × 1024 |
| 扫描类型 | Haut de l'abdomen aplatissant CT, stimulant CT avec les patients comme point de référence. |
| 层厚分布 | 1,0 mm - 1,5 mm de couche mince CT rapport d'environ 80%, avec la couche restante épaisse comme complément à la diversité |
| 设备分布 | GE 256 Platon CT 80%, les autres fabricants complétant la diversité |
| 管电流范围 | Scannage général de la partie supérieure de l'abdomen 200-400 ma, à l'exclusion des données supérieures à 800 ma |
| 病程阶段 | 以早中期病程为主，排除治疗后、术后及癌症晚期影像 |
| Améliorer l'intervalle CT | Le même patient a moins d'une semaine entre le nettoyage et la séquence améliorée. |
| 质量要求 | 不含严重运动伪影与金属伪影 |
字段数据维度
| Field Name | Type de données | DimensionDescription |
|---|---|---|
| patient_anon_id | String(24) | Identification unique du patient déssensible, liée à plusieurs examens du patient |
| study_uid | String(64) | ÉTUDE DE LA DITC Renseignements UID, identification Contrôle CT unique |
| series_uid | String(64) | UID d'information de la série DICOM, identifiant la même séquence de balayage |
| slice_index | Integer | Numéro de série d'image, un seul contrôle peut contenir 200-600+ tranches |
| scan_type | Enum | PLAIN | ENHANCED_ARTERIAL | ENHANCED_VENOUS | ENHANCED_DELAYED |
| modality | Enum | CT | CECT | CT_SPIRAL |
| slice_thickness | Float | Épaisseur de la couche 0,625-5,0 mm, ensemble de données de force principale 1,0-1,5 mm, soit environ 80% |
| matrix_size | String | Reconstruisez les tailles de matrices : "512 x 512" ou "1024 x 1024." |
| kvp | Integer | Tension de pyramide 80-140 kVp |
| tube_current_ma | Integer | Courant contrôlé 200-400 MA (à l'exclusion > 800 MA données d'anomalie) |
| pixel_spacing | String | Espacement des pixels: 0,5 à 0,5 mm à 0,9 à 0,9 mm |
| organ_labeled | Array[Enum] | Liste des organes marqués ["Liver", "Galblebradder", "PANCREAS", "SPLEEN", "ADRENAL", "KIDNY", "LYMPH_NODE"] |
| lesion_present | Boolean | Existence d'un poêle (d'après des rapports de radiologie) |
| lesion_type | Enum | MALIGNANT | BENIGN | INFLAMMATORY | CYSTIC | NORMAL |
| lesion_diameter_mm | Float | Voie maximale (mm) du poêle, à partir des mesures de la section d'image ou des étiquettes de l'équipe d'étiquetage |
| lesion_location | String | Description du diagramme (par exemple LIVER_SEGMENT_VIII) |
| pathology_confirmed | Boolean | Existe-t-il un rapport pathologique confirmant le diagnostic? |
| age_group | Enum | 20-30 | 30-40 | 40-50 | 50-60 | 60-70 | 70+ |
| gender | Enum | MALE | FEMALE |
| quality_score | Enum | S_PLUS ?? S ?? A ?? B ?? C (Fenêtres de masse de cinq dimensions) |
| motion_artifact | Enum | AUCUNE ?? MODÈLE ?? MODÉRATE (Plusieurs cas d'hypocrisie de mouvement exclus) |
| report_summary | Text | Résumé du rapport de la section Image, description de la maladie et diagnostic |
Inscription et communication des informations
影像科报告
La section du poêle, les caractéristiques morphologiques, le type de pathologie, l'évaluation du stade et de la gravité
Pathologyrapports
Source de l'organisation de dépistage, nature de la maladie, degré de différenciation, critères de confirmation des cas
多样性覆盖
Chaque catégorie de maladie couvre différents âges, sexe et garantit la modélisation
数据安全与脱敏
Toutes les données ont été complètement désidentifiées, avec toutes les informations qui pourraient identifier directement ou indirectement une personne enlevée; seuls les paramètres et les étiquettes pertinents à la recherche médicale sont conservés.。
| TraitementType | 详细说明 |
|---|---|
| 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 |
| Reserved Fields | Paramètres de balayage DICOM, données de pixel d'image, signes de la maladie, informations diagnostiques pathologiques |
Échantillon de données JSON non identifié
Voici un modèle structuré de traitement dissensibilisé JSON.
{
"patient_anon_id": "PAB-CT-20241003-01582",
"study_uid": "1.2.840.113619.2.xxx.xxx.xxx.xxx.xxx",
"series_uid": "1.2.840.113619.2.xxx.xxx.xxx.xxx.yyy",
"slice_index": 245,
"scan_type": "ENHANCED_ARTERIAL",
"modality": "CECT",
"slice_thickness": 1.25,
"matrix_size": "512x512",
"kvp": 120,
"tube_current_ma": 350,
"pixel_spacing": "0.7\\0.7",
"organ_labeled": ["LIVER", "PANCREAS", "KIDNEY"],
"lesion_present": true,
"lesion_type": "MALIGNANT",
"lesion_diameter_mm": 32.5,
"lesion_location": "LIVER_SEGMENT_VIII",
"pathology_confirmed": true,
"age_group": "50-60",
"gender": "MALE",
"quality_score": "S",
"motion_artifact": "NONE",
"report_summary": "肝右叶VIII段见一大小约32.5×28.0mm低密度占位，增强扫描动脉期明显强化，门脉期及延迟期廓清，考虑原发性肝细胞癌可能。胰腺及双肾未见明显异常。"
}AI Training Use Cases
Détection et partage des maladies
Modèle d'application: NU-Net / YOLOV8-3D / Masque R-CNN / SAM-Med. Basé sur le modèle de multi-organose et de partitionnement CT-en-fin de couche mince, le support est fourni pour l'analyse simultanée de sept grands organes.
良恶性分类
Application du modèle : ResNet-3D / Swin Transformer / DenseNet. En utilisant des caractéristiques de phase multiphases de CT améliorées, formation à des modèles d'identification autométrique pour les tumeurs vasculaires par rapport aux tumeurs malignes, pour aider à la classification normalisée LI-RADS.
Analyse conjointe multi-organismes
Modèle d'application: NNU-Net Multi-Catégorie / TransNet / TotalSegmentator. Les poêles multi-organes, tels que le foie, le pancréas et les reins, sont séparés et classés simultanément dans le même scanner, avec un diagnostic de panorama abdominal supérieur.
影像组学与预后预测
Modèles d'application: PyRadiomics + XGBoost / Random Forest. Extraire les caractéristiques de regroupement d'images 1000+D du masque de partition, construire des modèles tels que le pronostic tumoral, l'évaluation du risque de transfert de lymphomes.
影像报告自动生成
Modèle d'application : Multimodulaire LLM / Vision-Language Model. Formation au jumelage vidéo-texte système de génération de rapports automatisé, sortie de rapports d'images structurés, plus de 40% d'efficacité en radiologie.
prédiction du transfert des noeuds lymphatiques
Modèle d'application : GNN chart neural network / 3D CNN. Détection et évaluation du risque de ligature de lymphome cervical lymphome, support de la ration tumorale et prise de décisions du programme de traitement.
数据采集与质控体系
Collecte de données brutes
Collecte de données brutes DICOM du Centre d'images coopératif et enlèvement de l'ISP du cours d'eau par des conduites d'eau désensibles
Filtre de contrôle de masse d'image
Détection automatique des problèmes de masse tels que les hypothymes de mouvement, permutations métalliques, plages de balayage incomplètes et élimination des images insatisfaisantes
La trousse médicale est marquée et revue.
RIO par expert médical vidéo, double examen + mécanisme d'arbitrage pour assurer l'exactitude
质量分档入库
S+/S/A/B/C-5 basé sur la qualité de l'image, l'intégrité du marquage, la reconnaissance pathologique
FAQ
Un programme de données CT abdominale supérieure personnalisé?
Changsha Langhui Information Technology Co., Ltd. La plateforme DataAsetsAPI est dédiée à fournir des données d'image médicale de haute qualité et conformes aux entreprises d'IA et aux institutions scientifiques.
Data Sample Preview · Customized Data Solutions · Professional Technical Support