SPPIN挑战数据集

SPPIN挑战数据集是由公主 Máxima 儿童肿瘤中心组织的一项医学分割挑战，旨在推动多模态MRI上神经母细胞瘤的自动化分割技术发展。数据集包括来自34名患者的78套MRI扫描，包括诊断和化疗后的扫描。挑战分为训练阶段、初步测试阶段和最终测试阶段，共包含111条数据。数据集的创建旨在为儿童神经母细胞瘤的手术规划提供支持，通过自动化分割技术提高术前3D模型的可用性和可靠性。

SPPIN Challenge Dataset is a medical segmentation challenge organized by Princess Máxima Center for Pediatric Oncology, aiming to advance automated segmentation technologies for neuroblastoma on multimodal MRI scans. The dataset includes 78 MRI scan sets from 34 patients, covering both diagnostic and post-chemotherapy scans. The challenge is divided into three stages: training stage, preliminary test stage and final test stage, with a total of 111 data entries. This dataset was developed to support surgical planning for pediatric neuroblastoma, improving the availability and reliability of preoperative 3D models via automated segmentation technologies.

搜集汇总

数据集介绍

构建方式

SPPIN挑战数据集是专为促进儿童神经母细胞瘤自动分割技术发展而构建的多模态MRI数据集。该数据集包含来自34名患者的78组MRI扫描，涵盖诊断期和化疗后两个关键治疗阶段的影像数据。数据采集采用1.5T磁共振设备，包含脂肪抑制T1加权增强、3D T2加权及扩散加权成像等多序列数据。所有扫描均经过伪匿名化处理并转换为NIFTI格式，未进行预处理或配准操作。标注工作由五名经过培训的医学生在两名经验丰富的技术医师监督下完成，采用MeVisLab定制工具进行肿瘤轮廓勾画，并通过专门设计的标注协议确保质量。数据集按患者级别划分为训练集（34名患者/78次扫描）、初步测试集（3名患者/7次扫描）和最终测试集（9名患者/18次扫描）三个子集。

特点

该数据集具有显著的临床异质性和技术复杂性特征。作为首个专注于颅外儿童肿瘤的医学影像挑战数据集，其独特价值体现在包含化疗前后不同治疗阶段的配对数据，能有效反映肿瘤生物学特性变化对影像表现的影响。数据模态涵盖T1增强、T2加权及双b值扩散加权成像，完整保留了临床原始扫描参数。值得注意的是，数据集呈现出典型的小样本特性（总样本量103次扫描），且肿瘤体积差异显著（中位数53.48mL，范围2.03-1249.7mL），这为开发鲁棒的分割算法带来挑战。特别设计的未配准多模态数据架构，高度还原了真实临床场景中面临的影像协调难题。

使用方法

该数据集通过Grand Challenge平台以标准化流程支持算法开发与评估。参与团队需将自动分割方法封装为Docker容器提交，平台自动执行分割结果评估。评估采用Dice相似系数、Hausdorff距离95百分位数和体积相似度三项指标进行综合排名。数据集特别设计了训练阶段（2023年4-9月）、初步测试阶段（5次提交机会）和最终测试阶段（单次提交）的三阶段验证流程，有效防止对测试集的过拟合。使用规范要求方法必须完全自动化，允许使用公开数据集进行预训练但需明确引用。计算时间限制为单次扫描20分钟，确保临床适用性。数据集持续开放申请获取，为后续研究提供基准平台。

背景与挑战

背景概述

SPPIN挑战数据集由荷兰乌得勒支公主马克西玛儿童肿瘤中心联合多国研究机构于2023年创建，旨在推动儿童神经母细胞瘤多模态MRI自动分割算法的发展。作为首个专注于颅外儿童肿瘤手术规划的医学图像分析挑战，该数据集包含34名患者的78组MRI扫描，涵盖诊断期和化疗后不同治疗阶段的影像数据。数据集通过MICCAI 2023会议平台发布，采用Dice相似系数、Hausdorff距离和体积相似度等指标评估算法性能，为儿童肿瘤精准手术规划提供了重要基准。其创新性体现在针对罕见儿科肿瘤的异质性特征，特别是化疗后肿瘤边界模糊等临床难点构建评估体系。

当前挑战

该数据集面临双重挑战：在领域问题层面，神经母细胞瘤的异质性生物学特性导致肿瘤位置、形态和影像特征差异显著，化疗后肿瘤体积缩小及边界模糊使分割难度倍增，最高分团队在诊断期与化疗后扫描的Dice分数差异达0.3（P=0.01）。在构建过程中，数据采集受限于儿科罕见病例样本量（仅34例），19例标注因时间约束未通过质量检查被迫剔除；标注一致性挑战突出，三名独立标注者间中位Dice分数仅0.77，部分病例差异高达0.47-0.92；多中心数据整合需处理未配准的多模态MRI序列（T1/T2/DWI），血管包裹等复杂解剖关系进一步增加了标注难度。

常用场景

经典使用场景

SPPIN挑战数据集作为首个专注于儿童神经母细胞瘤多模态MRI自动分割的基准数据集，其经典使用场景集中在术前规划领域。该数据集通过提供化疗前后不同阶段的MRI扫描序列（包括T1加权增强、T2加权及扩散加权成像），为算法开发人员构建了模拟真实临床环境的测试平台。在MICCAI 2023挑战赛中，参赛团队利用该数据集训练深度学习模型，旨在实现肿瘤边界的精确自动分割，以替代传统耗时且依赖操作者的手工勾画方法。最高分团队采用预训练的STU-Net网络，在诊断期MRI上获得0.89的中位Dice分数，验证了数据集对算法开发的支撑价值。

实际应用

在实际临床场景中，SPPIN数据集支持的三维肿瘤模型重建技术正逐步改变儿童神经母细胞瘤的手术规划模式。通过算法生成的精确分割结果，外科医生可清晰辨识肿瘤与腹部关键结构（如主动脉、肾血管）的空间关系，这在传统二维影像中难以实现。数据显示，采用冠军团队算法的分割结果（中位HD95=7.69mm）已接近人工勾画水平，有望将术前模型准备时间从数小时缩短至分钟级。当前应用主要集中于荷兰公主马克西玛儿童肿瘤中心等机构，未来将扩展至术中导航和疗效评估等场景。

衍生相关工作

该数据集已催生多个重要研究方向：基于预训练迁移学习的医学图像分割（如冠军团队STU-Net在TotalSegmentor数据集上的跨模态迁移）、小样本条件下的数据增强策略（如AGHSSO团队生成的10000例增强样本），以及针对化疗后肿瘤的特异性处理网络（如Drehimpuls团队设计的fallback机制）。相关成果被扩展至Wilms瘤分割（Müller et al. 2019）和视网膜母细胞瘤分析（Strijbis et al. 2021）等儿科肿瘤领域，形成以nnU-Net为基础架构的技术生态。数据集衍生的多中心验证框架（Veiga-Canuto et al. 2023）更成为儿童肿瘤影像分析的新标准。