RSNA Lumbar Degenerative Imaging Spine Classification (LumbarDISC)

RSNA Lumbar Degenerative Imaging Spine Classification (LumbarDISC) 数据集包含了来自8个机构、6个国家、5个大陆的2697名患者的8,593个腰椎MRI影像系列。该数据集旨在解决腰椎退行性病变的分级问题，并用于RSNA 2024年腰椎退行性病变分类AI挑战赛和未来研究。数据集由MRI影像和专家注释组成，包括脊髓、神经根孔和下关节窝的狭窄程度。数据集以DICOM格式提供MRI影像，并附有CSV文件，其中包含每个患者的狭窄程度注释和系列描述。

RSNA Lumbar Degenerative Imaging Spine Classification (LumbarDISC) Dataset includes 8,593 lumbar MRI imaging series from 2,697 patients across 8 institutions, 6 countries and 5 continents. This dataset aims to tackle the grading of lumbar degenerative disorders, and is developed for the RSNA 2024 Lumbar Degenerative Disease Classification AI Challenge as well as future research. The dataset is composed of MRI scans and expert annotations covering the severity of stenosis in the spinal canal, neural foramina and inferior articular fossae. The MRI images are provided in DICOM format, with accompanying CSV files that contain stenosis severity annotations and series descriptions for each patient.

搜集汇总

数据集介绍

构建方式

RSNA LumbarDISC数据集构建采用了多中心协作模式，汇集了来自6个国家8家医疗机构的2697例患者MRI影像数据。研究团队制定了严格的纳入标准：年龄≥18岁的门诊患者腰椎MRI需包含矢状位T2类序列（如T2、STIR或Dixon）、矢状位T1及轴位T2加权图像，同时排除存在脊柱内固定、活动性非退行性病变等干扰因素的病例。数据采集过程中特别补充了L1/L2、L2/L3等高阶狭窄病例以平衡类别分布，所有影像经专业放射科医师采用MD.ai平台进行标准化标注，最终形成包含8593个影像序列的结构化数据集。

特点

该数据集的核心价值体现在其规模性与多样性：作为目前最大的公开腰椎退行性病变数据集，覆盖了13,474个椎管狭窄标注和53,834个神经孔/关节下区狭窄标注。数据特点包括：1) 地理分布广泛，涵盖5大洲不同人种数据；2) 影像协议多样性，兼容多种T2类序列和扫描方位；3) 精细的三级狭窄分级（正常/轻度、中度、重度），特别强化了L1/L2等罕见狭窄层级的样本量；4) 标注质量经过双重验证机制保障，测试集病例需至少两名标注者达成共识。

使用方法

数据集以DICOM格式提供原始影像，配套CSV文件包含25个解剖位点的狭窄分级标注及定位坐标。研究者可通过Kaggle平台获取结构化数据，建议使用流程包括：1) 利用train_series_descriptions.csv识别序列类型；2) 结合train_label_coordinates.csv中的空间坐标实现病灶定位；3) 针对模型开发，需注意训练集（1981例）、公开测试集（272例）和私有测试集（444例）的预设划分方案。该数据集特别适合开发具有强泛化能力的腰椎狭窄自动分级模型，其多协议设计能有效模拟真实临床场景的影像异质性。

背景与挑战

背景概述

RSNA Lumbar Degenerative Imaging Spine Classification (LumbarDISC)数据集由北美放射学会（RSNA）主导，联合全球8个医疗机构的专家团队共同构建，旨在解决腰椎退行性病变的影像学评估难题。该数据集创建于2024年，包含来自6个国家2,697名患者的8,593个MRI序列，重点标注了椎管、神经孔和关节下隐窝三个关键区域的狭窄程度。作为目前规模最大、地理分布最广的公开腰椎退变数据集，其创新性体现在多中心数据整合、标准化四分级系统（后简化为三级）以及针对L1/L2等低发病率节段的样本增强策略，为机器学习模型开发提供了重要的基准数据。

当前挑战

该数据集面临双重挑战：在领域问题层面，腰椎狭窄程度评估存在显著的主观差异性，不同放射科医生对同一影像的判读一致性仅达中等水平（Kappa值0.4-0.6），且L1/L2等节段的自然低发病率导致模型训练样本失衡；在构建过程中，需克服多中心影像协议差异（如T2加权序列的采集参数不一致）、硬件伪影干扰排除（特别是术后金属植入物病例），以及协调跨国团队完成13,474个椎管、26,919个神经孔和26,285个关节下隐窝的专家标注质量控制。

常用场景

经典使用场景

RSNA LumbarDISC数据集作为目前规模最大、地理分布最广的公开腰椎退行性病变影像数据库，其经典应用场景集中在计算机辅助诊断系统的开发与验证。该数据集通过多中心采集的8,593个MRI序列，为深度学习模型提供了丰富的训练素材，特别适用于腰椎管狭窄、神经根孔狭窄等退行性病变的自动分级研究。研究者可利用其标准化的三维标注体系，在统一框架下比较不同算法对腰椎各节段（L1/L2至L5/S1）狭窄程度的识别性能。

衍生相关工作

该数据集已催生多项里程碑式研究，包括Hallinan等人提出的多任务三维CNN架构（Radiology 2021），首次实现中央管、侧隐窝和神经孔狭窄的联合分类。Won等学者（Spine 2020）基于此开发的级联注意力模型，在脊柱节段定位任务中达到94.3%的准确率。近期更有研究将其与Genodisc数据集联合使用，建立了首个跨人种腰椎退变进展预测模型（European Spine Journal 2023）。

数据集最近研究

最新研究方向

近年来，RSNA LumbarDISC数据集在腰椎退行性病变的智能诊断领域引起了广泛关注。作为目前规模最大、地理分布最广的公开标注数据集，其多中心、多协议的设计显著提升了机器学习模型在真实临床场景中的泛化能力。研究热点集中在基于深度学习的多模态图像融合技术，通过整合T1、T2及STIR序列特征，实现对脊柱狭窄程度的精准分级。该数据集特别填补了L1/L2等罕见狭窄节段的样本空白，为开发具有临床实用价值的AI辅助诊断系统提供了关键支撑。在医学影像分析领域，该资源正推动从单一病灶检测向全脊柱自动化定量评估的范式转变，相关成果已应用于优化手术指征判断和预后预测模型。

相关研究论文

• The RSNA Lumbar Degenerative Imaging Spine Classification (LumbarDISC) Dataset

  美国犹他大学医学院放射科 · 2025年