SYN-LUNGS

SYN-LUNGS数据集是由杜克大学医学中心放射科创建的，包含304个数字人类双胞胎模型，512个模拟肺结节，以及由这些生成的1044个模拟CT扫描图像。数据集整合了数字双胞胎、程序性病变更新和基于物理的成像模拟，以提高解剖和病理学的保真度。该数据集可应用于肺结节检测、分割、癌症分类和合成等任务，旨在提高AI模型在多个肺癌诊断任务中的性能。

The SYN-LUNGS dataset was created by the Department of Radiology, Duke University Medical Center. It contains 304 digital human twin models, 512 simulated pulmonary nodules, and 1044 simulated CT scan images generated from these models. This dataset integrates digital twins, procedural lesion updating, and physics-based imaging simulation to enhance the fidelity of anatomical and pathological representations. It can be applied to tasks such as pulmonary nodule detection, segmentation, cancer classification, and synthesis, aiming to improve the performance of AI models across multiple lung cancer diagnosis tasks.

搜集汇总

数据集介绍

构建方式

SYN-LUNGS数据集的构建方法是通过集成数字人类双胞胎、程序性病变建模和基于物理的成像模拟来生成高质量的3D CT图像。首先，使用XCAT3phantoms生成数字人类双胞胎；其次，利用X-Lesions工具在数字双胞胎中嵌入模拟的肺结节；最后，采用DukeSim进行CT成像模拟，确保合成结节与真实世界成像的一致性。

特点

SYN-LUNGS数据集的特点在于：1)集成了数字人类双胞胎技术，为生成具有解剖和病理多样性的数据提供了可能；2)利用程序性病变建模，能够控制结节的大小、位置和外观；3)采用基于物理的成像模拟，确保了合成图像的逼真度；4)包含了丰富的注释信息，包括3D分割掩码和诊断标签。

使用方法

使用SYN-LUNGS数据集的方法包括：1)下载并加载数据集；2)根据研究需求选择适当的成像配置和结节特征；3)利用数据集中的注释信息进行模型的训练、验证和测试；4)评估模型在结节检测、分割、分类等任务上的性能。

背景与挑战

背景概述

SYN-LUNGS数据集是由Fakrul Islam Tushar等研究人员在2025年创建的，旨在通过集成解剖信息化的数字孪生和成像模拟来生成高质量的3D CT图像，以增强AI模型训练。该数据集整合了XCAT3数字孪生、X-Lesions病变模拟和DukeSim CT成像模拟，以改进解剖和病理学保真度。SYN-LUNGS包括174个数字孪生、512个模拟肺结节、1044个模拟CT扫描，涵盖了两种扫描器的不同成像条件。该数据集的创建对相关领域产生了重要影响，为肺结节检测、分割、癌症分类和合成等任务提供了有力支持。

当前挑战

在构建过程中，SYN-LUNGS面临了多个挑战：1) 所解决的领域问题是图像分类中的肺结节检测，这需要大量多样化的数据集来训练AI模型；2) 构建过程中遇到的挑战包括生成具有详细注释的高质量模拟CT图像，以及确保模拟数据与真实世界成像特征的一致性。具体挑战包括病变模拟的真实性、数字孪生的个性化建模、成像模拟的准确性以及数据集的多样性和规模。

常用场景

经典使用场景

SYN-LUNGS数据集的经典使用场景在于生成高质量的3D CT图像，并带有详细的注释，以增强AI模型训练。该数据集集成了数字人类双胞胎、程序性病变建模和基于物理的成像模拟，提高了解剖和病理学的保真度。

衍生相关工作

SYN-LUNGS数据集衍生了多项相关工作，包括但不限于虚拟临床试验、医学图像分析的基础模型、以及针对胸部CT的COVID-19分类器的外部验证等。这些工作进一步扩展了数据集的应用范围，并推动了医学成像领域的研究进展。

数据集最近研究

最新研究方向

SYN-LUNGS数据集通过整合数字孪生技术与影像模拟，为AI训练提供了高质量的3D CT图像。该研究不仅提高了结节检测、分割、分类和合成的性能，还为罕见疾病表示和模型可靠性研究奠定了基础。

相关研究论文

• SYN-LUNGS: Towards Simulating Lung Nodules with Anatomy-Informed Digital Twins for AI Training

  杜克大学医学中心放射科 · 2025年