TCIA Test & Validation Radiotherapy CT Planning Scan Dataset

该数据集包含先前开源的去个性化头颈部扫描，每个扫描都由训练有素的放射技师根据Brouwer等人在2015年提出的图谱中的标准分割类别定义进行全容积区域分割。测试和验证集是DeepMind-UCLH合作的一部分，旨在将深度学习应用于放射治疗。

This dataset comprises previously open-sourced de-identified head and neck scans. Each scan has been subjected to full-volume region segmentation by trained radiographers, adhering to the standard segmentation categories defined in the atlas proposed by Brouwer et al. in 2015. The test and validation sets are part of the DeepMind-UCLH collaboration, aimed at applying deep learning to radiotherapy.

原始信息汇总

数据集概述

数据集名称

TCIA Test & Validation Radiotherapy CT Planning Scan Dataset

数据集内容

该数据集包含去个人化的头颈部扫描图像，这些图像由训练有素的放射技师根据Brouwer等人在2015年提出的图谱中的标准分割类定义进行全容积区域的分割。数据集包括验证集和测试集，这些集合是从The Cancer Imaging Archive（TCIA）的两个开放源数据集中挑选出来的CT规划扫描，分别是TCGA-HNSC和Head-Neck Cetuximab。

数据集创建目的

该数据集是DeepMind与UCLH合作的一部分，旨在应用深度学习于放射治疗。数据集中的扫描图像经过严格筛选，确保与UCLH扫描的切片厚度（2.5mm）一致，并进行了手动分割。

数据集组成

• 验证集：包含6名患者，共7次扫描。
• 测试集：包含24名患者，共24次扫描。

数据集使用方法

数据集通过Git LFS存储，用户需先安装Git LFS，然后按照常规方式克隆仓库。

数据集引用

使用此数据集时，请引用以下文章：

@article{nikolov2018, author = {Stanislav Nikolov and Sam Blackwell and Ruheena Mendes and Jeffrey De Fauw and Clemens Meyer and Cían Hughes and Harry Askham and Bernardino Romera-Paredes and Alan Karthikesalingam and Carlton Chu and Dawn Carnell and Cheng Boon and Derek DSouza and Syed Ali Moinuddin and Kevin Sullivan and DeepMind Radiographer Consortium and Hugh Montgomery and Geraint Rees and Ricky Sharma and Mustafa Suleyman and Trevor Back and Joseph R. Ledsam and Olaf Ronneberger}, title = {Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy}, journal = {ArXiv e-prints}, archivePrefix = "arXiv", eprint = {1809.04430}, primaryClass = "cs.CV", year = {2018}, url = {https://arxiv.org/abs/1809.04430} }

搜集汇总

数据集介绍

构建方式

该数据集的构建基于先前公开的头部和颈部扫描数据，这些数据经过去识别化处理，并由训练有素的放射技师根据Brouwer等（2015）提出的标准分割类定义进行全体积区域的分割。数据集的验证和测试集是从The Cancer Imaging Archive（TCIA）提供的两个公开数据集中精选而来，分别是TCGA-HNSC和Head-Neck Cetuximab。筛选过程中，排除了非CT规划扫描以及不符合UCLH扫描（2.5mm切片厚度）标准的扫描。随后，这些扫描在内部手动分割，依据Brouwer Atlas进行标注，最终选定了31个符合标准的扫描，并将其分为验证集（6名患者，7个扫描）和测试集（24名患者，24个扫描）。

特点

该数据集的显著特点在于其高质量的临床标注和严格的筛选标准。所有扫描均经过多层次的专家审核，确保了分割的准确性和一致性。此外，数据集包含了21个在头部和颈部放射治疗中关键的“风险器官”（OARs），这些器官的选取基于国际共识指南，确保了其在临床应用中的相关性和实用性。数据集的分割过程严格遵循Brouwer Atlas，排除了需要额外磁共振成像的区域，确保了数据集的临床适用性。

使用方法

使用该数据集前，需先安装Git LFS，然后通过常规的git clone命令下载整个仓库。数据集适用于深度学习在放射治疗中的应用，特别是头部和颈部解剖结构的分割任务。用户可以通过引用Nikolov等（2018）的文章来合法使用该数据集，并应遵循相关的引用规范。数据集的分割标注可用于训练和验证深度学习模型，以提高放射治疗规划的精确度和效率。

背景与挑战

背景概述

TCIA Test & Validation Radiotherapy CT Planning Scan Dataset是由DeepMind与UCLH合作创建的，旨在将深度学习应用于放射治疗中的头颈部解剖结构分割。该数据集基于先前公开的匿名化头部和颈部扫描数据，由训练有素的放射技师根据Brouwer等人在2015年提出的标准分割分类定义进行全容积区域的分割。该数据集的创建旨在解决放射治疗中精确分割头颈部解剖结构的关键问题，这对于提高治疗计划的质量和患者的安全性至关重要。

当前挑战

该数据集在构建过程中面临多项挑战。首先，数据的选择和预处理要求严格，必须排除不符合UCLH扫描切片厚度（2.5mm）的非CT规划扫描。其次，手动分割过程复杂且耗时，需要经验丰富的放射技师和放射肿瘤学家进行多次仲裁，以确保分割的准确性和一致性。此外，选择哪些风险器官（OARs）进行研究也是一个挑战，需遵循国际共识指南，并排除那些在临床实践中不常用的区域。这些挑战共同构成了该数据集在放射治疗领域应用中的重要研究课题。

常用场景

经典使用场景

TCIA Test & Validation Radiotherapy CT Planning Scan Dataset 主要用于放射治疗中的头颈部解剖结构分割任务。该数据集通过深度学习技术，旨在实现临床上可应用的分割精度，从而为放射治疗计划提供精确的解剖信息。其经典使用场景包括利用深度学习模型对头颈部CT扫描图像进行自动分割，以辅助放射治疗中的靶区定义和器官保护。

衍生相关工作

基于该数据集，研究者们开发了多种深度学习模型，用于头颈部放射治疗中的自动分割任务。这些模型不仅在学术界引起了广泛关注，还在多个国际会议和期刊上发表了相关研究成果。此外，该数据集还激发了其他相关领域的研究，如多模态图像融合、放射治疗计划优化等，进一步推动了放射治疗技术的进步。

数据集最近研究

最新研究方向

在放射治疗领域，TCIA测试与验证放射治疗CT规划扫描数据集的最新研究方向主要集中在深度学习技术的应用，以实现头颈部解剖结构的高精度分割。该数据集通过与DeepMind和UCLH的合作，利用深度学习模型对头颈部CT扫描进行自动分割，旨在提高放射治疗规划的准确性和效率。这一研究方向不仅推动了医学影像分析的前沿技术发展，还为临床应用提供了更为可靠的工具，从而在提高患者治疗效果和减少副作用方面具有重要意义。