Aperçu des données
| Nom de l'ensemble de données | Ensemble de données d'intégration d'images multiséquences HCC IRM |
| Volume total des données | 52 800 cas (avec une image notée 3,17 millions d'images) |
| Format des données | DICOM 3.0 / NifTI / JSON étiquette |
| 序列类型 | T1WI / T2WI / DWI / ADC / DCE amélioration multi-étapes |
| Source des données | Unité de radiologie de l ' établissement médical coopératif (multicentres, équipements multiples, autorisation éthique) |
| Annotation Method | Marque indépendante de 2 radiologistes + 1 médecin en chef arbitre |
| 隐私保护 | DICOM Information de la tête Désensibilisation, caractérisation faciale, HIPAA/RGPD |
| Update Frequency | Augmentations trimestrielles, augmentation moyenne annuelle de 8 000 à 12 000 |
Description détaillée des dimensions des données
| Field Name | Type de données | Value Range / Description |
|---|---|---|
| patient_id | String(32) | ID, format: P{center}{seq} |
| study_uid | String(64) | DICOM Histoire Information 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 | Coordonnées du sommet polygone (coordonnées physiques, mm) |
| seg_mask_path | String | Split le chemin relatif du fichier de masque NiffTI |
| b_value | Integer | 0 / 50 / 400 / 800 / 1000 (séquence de l'IBD) |
| annotator_consensus | Float | Coefficient de dés entre les étiquettes : 0,0 - 1,0 |
| qc_status | Enum | PASS | FLAGGED | REJECTED |
Échantillon de données JSON non identifié
标注规范与质量控制
标注标准
- Classification de la maladie par le diagnostic de la maladie suivant les critères de diagnostic LI-RADS v2018
- Divulguer l'étiquette en utilisant une couche de 1 mm par couche, valeurs interpolées lisses
- L'alignement multi-séries est basé sur la période d'artère améliorée T1WI, la rigidité + alignement d'imitation, mesures mi-like
- Outil d'intégration : ITK-SNAP / Slicer 3D, sortie uniforme au format NNFTI
质控流程（三级质检）
- 一级自检：Après que le médecin ait fait la marque, il vérifie tous les cas et corrige l'erreur évidente.
- 二级互检：Un autre médecin de pairs a recoupé, Dice & lt; 0.80 a renvoyé le post.
- Contrôles d'experts de troisième niveau:Le médecin en chef extrait au hasard 15 % du nombre total de cas, taux global uniforme ?? 0,90.
- Cohérence de l'étiquette :Classification des LIR-RADS Coefficient Kappa 0,85
质量指标
99.2%
数据完整率
0.92
Coefficient moyen des dés
0.87
LI-RADS Kappa
<1.5%
退标率
AI Training Use Cases
Test et classification de l'hépatite
Modèle d'application: NU-Net / YOLOV8-3D / SwinUNETR / MONAI. Un dépistage d'image à plusieurs séquences de calibrage des fourneaux et du modèle de classification automatique LI-RADS, FROC & g; 0,85 normes cliniques acceptables.
3D image médicale divisée
Modèle d'application : NU-Net / SegResNet / UNETR / MedSAM. Traduire des étiquettes polygonales en masque de carrosserie 3D pour fournir une formation sémantique de fractionnement à l'appui de plusieurs catégories (HCC/ICC/HEM, etc.).
alignement et intégration multiséries
Modèle d'application : VoxelMorph / TransMorph / LapirN. En utilisant les étiquettes, une formation dans un réseau déformable avec des données multi-séries est fournie, autospace aligne les différentes séries d'images IRM.
影像组学与预后预测
Modèles d'application: Radimitics (PyRadiomics)+XGBoost/ Random Forest. Extraire les fonctionnalités du groupe d'images 1000+D du masque de partition, construire des modèles tels que les prévisions de post-réactivation HCC, la classification de statut MVI, etc.
Get This Dataset
Les ensembles de données d'imagerie IRM de HCC fournissent des autorisations d'affaires, y compris des documents d'étiquetage complets et des images DICOM dissensoriées.
137-5502-0164 Online ConsultationRelated Datasets
商业应用价值
A. Produits de diagnostic assistés
La formation du système de foie à base de SIA (CADE/CADx), appuyée par des ensembles de données standard requis pour l'approbation de trois types de certificat de la NMPA, dépasse les 5 milliards de dollars.
影像云平台
Le module intelligent de notification structurée et de contrôle de la qualité intégré au système de communication de données en nuage améliore l ' efficacité de la Section en matière de communication de données de plus de 40 % et réduit le taux de fuite.
Essais cliniques de plantes pharmaceutiques
Fournit des données de base indépendantes sur l'évaluation de l'image (IRC) pour les essais cliniques de médicaments/immunothérapie pour les cibles de cancer du foie et accélère le processus d'approbation des médicaments.