Cancer-Net PCa-Data

Cancer-Net PCa-Data是由滑铁卢大学系统设计工程系创建的一个开放源代码基准数据集，专注于前列腺癌临床决策支持。该数据集包含200名前列腺癌患者的合成相关扩散成像（CDIs）体积图像，以及完整的标注信息，如腺体掩模、肿瘤掩模和前列腺癌诊断。数据集的创建涉及从Radboud大学医学中心获取的CDIs图像，并通过SPIE-AAPM NCI PROSTATEx挑战进行公开。Cancer-Net PCa-Data旨在通过机器学习和成像研究，帮助全球的临床医生在对抗癌症的斗争中取得进展，特别关注前列腺癌的诊断和治疗。

Cancer-Net PCa-Data is an open-source benchmark dataset created by the Department of Systems Design Engineering at the University of Waterloo, dedicated to clinical decision support for prostate cancer. This dataset encompasses volumetric images of synthesized contrast diffusion imaging (CDIs) from 200 prostate cancer patients, along with comprehensive annotation information including gland masks, tumor masks, and prostate cancer diagnoses. The dataset was developed using CDIs images obtained from Radboud University Medical Center, and was publicly released via the SPIE-AAPM NCI PROSTATEx Challenge. Cancer-Net PCa-Data aims to advance progress in the global fight against cancer through machine learning and imaging research, with a particular focus on the diagnosis and treatment of prostate cancer, supporting clinicians across the world.

搜集汇总

数据集介绍

构建方式

Cancer-Net PCa-Data数据集的构建，源自于荷兰奈梅亨拉德堡德大学医学中心前列腺MRI参考中心的200个患者病例的CDIs成像数据。这些数据通过合成相关扩散成像技术获取，利用不同梯度脉冲强度和时间捕获扩散信号，并将原生和合成扩散信号以校准方式混合，从而实现对组织内部水分子的布朗运动程度的量化。数据集包含了患者的全容积CDIs成像数据，以及相应的健康、临床显著和非显著前列腺癌的标签区域。

使用方法

使用Cancer-Net PCa-Data数据集，研究人员可以开展前列腺癌临床决策支持的相关研究。数据集的获取和利用需遵循开源协议，用户可以通过数据采样、类别平衡和平衡损失函数等方法来处理数据集中的类别不平衡问题。此外，在评估基于此数据集开发的系统时，应采用平衡度量，如每类别的精确度和召回率，以充分考虑类别不平衡的影响。

背景与挑战

背景概述

Cancer-Net PCa-Data数据集的问世，标志着合成相关扩散成像技术在前列腺癌临床决策支持领域的重大进步。该数据集由滑铁卢大学系统设计工程系的Hayden Gunraj、Chi-en A. Tai和Alexander Wong等研究人员创建，并于2023年通过论文对外发布。Cancer-Net PCa-Data是首个公开的合成相关扩散成像数据集，包含了200例前列腺癌患者的三维CDIs成像数据，以及完整的标注信息，旨在推动机器学习和成像研究的发展，助力全球抗癌斗争。该数据集不仅为研究人员提供了宝贵的资源，也为前列腺癌的诊断和治疗带来了新的视角。

当前挑战

Cancer-Net PCa-Data数据集的构建过程中，研究人员面临了诸多挑战。首先，合成相关扩散成像技术在前列腺癌领域的应用尚属新颖，公开可用的数据极其匮乏，这增加了数据采集和处理的难度。其次，数据集中存在年龄分布不均、临床显著性肿瘤数据不足等问题，可能导致模型训练时的偏差。此外，由于部分肿瘤未进行活检，缺乏Gleason评分信息，使得数据集在模型开发和评估时存在一定的局限性。为了解决这些挑战，研究人员建议采取数据采样、类别平衡和平衡损失函数等方法来优化模型训练，并使用平衡指标来评估模型性能。

常用场景

经典使用场景

Cancer-Net PCa-Data数据集，作为首个体积化的合成相关扩散成像（CDIs）数据集，其经典使用场景主要集中于前列腺癌的临床决策支持。该数据集通过提供200个患者案例的CDIs体积成像数据，辅以详尽的标注信息，为研究者提供了一种强大的工具，以探究CDIs成像技术在前列腺癌检测、诊断以及临床决策中的潜力。

解决学术问题

该数据集的发布解决了CDIs成像技术在前列腺癌研究中缺乏公开数据的问题，为学术研究提供了宝贵的数据资源。通过这一数据集，研究者能够开发并验证新的机器学习模型，以提高前列腺癌的检测准确性和效率，同时也有助于解决当前临床中存在的数据偏差和分类不平衡等问题。

实际应用

在实际应用场景中，Cancer-Net PCa-Data数据集的应用有助于提升前列腺癌的诊断和治疗方案。基于该数据集开发的模型能够辅助放射科医生在MRI成像中更精确地识别出前列腺癌组织，从而为患者提供更个性化的治疗方案。此外，该数据集还有助于推动医学成像和机器学习领域的研究，进一步优化临床工作流程。

数据集最近研究

最新研究方向

在前列腺癌的临床决策支持领域，合成相关扩散成像（CDIs）技术展现出显著的研究潜力。Cancer-Net PCa-Data数据集的推出，作为首个公开的CDIs成像数据集，为前列腺癌的研究提供了宝贵的资源。该数据集通过提供200个病患的CDIs成像数据及完整注释，包括腺体遮罩、肿瘤遮罩和PCa诊断，为研究人员提供了一种新的方式来量化组织内部水分子的布朗运动程度。Cancer-Net PCa-Data数据集的发布，不仅丰富了机器学习和影像研究领域，也为临床医生在全球范围内对抗癌症提供了支持。目前，该数据集已在前列腺癌的分级、定位和治疗规划等研究方向得到了广泛应用，有望进一步提升CDIs技术在临床决策支持中的实用性和准确性。

相关研究论文

• Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data

  滑铁卢大学系统设计工程系 · 2023年