CT-Subcortical-Segmentation

本研究创建了一个名为CT-Subcortical-Segmentation的数据集，包含180个受试者的CT扫描图像及其相应的亚皮层分割标签。该数据集由南洋理工大学计算机与数据科学学院的研究团队制作，旨在填补CT亚皮层分割领域数据集的空白。数据集包含17个亚皮层区域，包括侧脑室、丘脑、尾状核、豆状核、苍白球、海马体、杏仁核、伏隔核和脑干等。数据集的生成过程涉及将MRI分割模型集成到一个框架中，并应用于MRI-CT配对数据，从而生成CT亚皮层分割标签。该数据集可用于训练分割模型，以实现更准确的CT亚皮层分割，并促进计算机辅助诊断和治疗方案的发展。

原始信息汇总

CT Brain Subcortical Segmentation 数据集概述

数据集简介

• 首个公开可用的CT脑部皮层下结构分割数据集
• 包含17个皮层下区域的生成分割掩码
• 专为神经退行性疾病研究设计，支持计算机辅助解决方案开发

数据集内容

• 分割掩码：包含17个皮层下结构的分割结果
• 标签映射：详细说明见label_mapping.txt
• 配套CT扫描数据需从SynthRAD 2023 Challenge (Task 1)获取

数据处理要求

1. 尺寸裁剪：任何维度超过256mm的扫描需使用FreeSurfer的mri_convert工具裁剪 mri_convert --cropsize 256 256 256 <input_volume> <output_volume>
2. 数据转换：所有扫描需进行格式转换 mri_convert --conform --out_data_type float <input_volume> <output_volume>

相关模型

• 2D UNet
• 3D UNet
• Swin UNETR
• nnU-Net

参考数据集

• IBSR-18: 18个专家标注的MR数据集
• OASIS-TRT-20: 20个专家标注的MR数据集
• SynthRAD 2023 Task 1: 180个MR-CT配对数据集

相关工具

• FreeSurfer
• SAMSEG
• FastSurfer
• SynthSeg
• QuickNAT

搜集汇总

数据集介绍

构建方式

在神经影像学领域，皮层下结构分割对于理解脑部解剖结构和辅助诊断创伤性脑损伤及神经退行性疾病具有重要意义。CT-Subcortical-Segmentation数据集的构建采用了创新的跨域标签迁移方法，通过集成多个现成的MRI分割模型（包括概率模型和深度学习模型），利用未标注的MRI-CT配对数据，生成高质量的CT皮层下分割标签。具体流程包括模型集成预测、多数投票共识以及跨模态标签传播，最终在SynthRAD Grand Challenge 2023提供的180例配对MRI-CT数据上生成了包含17个关键皮层下结构的标注数据集。

特点

该数据集作为首个公开的CT皮层下分割资源，具有显著的领域突破性。其核心特点体现在三方面：跨模态知识的有效迁移，通过集成MRI领域成熟模型的预测结果，解决了CT标注数据稀缺的难题；标注范围覆盖了丘脑、海马体等17个具有重要生理功能的皮层下结构；数据预处理规范统一，所有影像均重采样至1mm³各向同性分辨率，并经过严格的颅骨剥离和强度归一化处理。此外，数据集配套提供了基于nnUNet等架构的预训练模型，为后续研究提供了可靠的基准性能。

使用方法

该数据集支持多种应用场景。研究者可直接使用提供的预训练模型进行CT皮层下结构分割，或基于开源代码复现标签生成流程。对于模型开发，建议采用五折交叉验证策略，利用数据集内部分割的训练集（70%）、验证集（15%）和测试集（15%）进行模型优化与评估。在数据有限的情况下，可采用迁移学习策略，将预训练模型的特征提取器应用于其他神经影像分割任务。值得注意的是，由于标签通过算法生成，在临床决策等高精度需求场景中建议结合专家复核。

背景与挑战

背景概述

CT-Subcortical-Segmentation数据集由新加坡南洋理工大学的Augustine X.W. Lee、Pak-Hei Yeung和Jagath C. Rajapakse团队于2025年创建，旨在解决计算机断层扫描（CT）影像中皮层下结构分割的标注数据稀缺问题。该数据集通过集成现有的磁共振成像（MRI）分割模型，利用跨域标签迁移技术生成高质量的CT分割标注，填补了该领域公开数据的空白。作为首个开源的CT皮层下分割数据集，其发布显著推动了急性脑损伤和神经退行性疾病诊断相关研究的发展。

当前挑战

构建CT-Subcortical-Segmentation数据集面临双重挑战：领域层面，CT影像固有的低组织对比度使皮层下结构边界辨识困难，而现有分割模型多针对高对比度的MRI影像开发；技术层面，跨模态标签迁移需解决MRI与CT影像的空间配准难题，且集成多个异构模型（包括概率图模型与深度学习模型）时需设计鲁棒的投票融合策略以消除个体模型偏差。此外，缺乏专家人工校正的黄金标准数据，也使得生成标签的绝对准确性验证存在局限。

常用场景

经典使用场景

在神经影像分析领域，CT-Subcortical-Segmentation数据集为研究皮层下结构分割提供了重要资源。该数据集通过集成多模态MRI分割模型的预测结果，并利用配对的MRI-CT图像进行跨模态标签传递，生成了高质量的CT皮层下结构分割标签。这一方法显著解决了CT模态标注数据稀缺的难题，为计算机辅助诊断创伤性脑损伤和神经退行性疾病提供了可靠的数据支持。

解决学术问题

该数据集有效解决了CT影像中皮层下结构自动分割的标注数据匮乏问题。通过创新的集成学习框架，将MRI领域成熟的标注资源迁移至CT模态，填补了该领域公开数据集的空白。其生成的17个关键皮层下结构标签（如丘脑、海马体等）为研究神经退行性疾病的形态学变化提供了量化分析基础，推动了跨模态医学图像分析方法的进步。

衍生相关工作

该数据集催生了多项重要研究工作，包括改进的3D UNet和nnUNet分割架构在CT模态上的优化应用。其跨模态标签传递方法启发了后续研究如Srikrishna等人关于MRI到CT的脑组织分类工作。数据集提供的基准性能促进了SwinUNETR等Transformer架构在医学图像分割领域的探索，并为小样本迁移学习研究提供了重要实验平台。