A dataset of primary nasopharyngeal carcinoma MRI with multi-modalities segmentation|鼻咽癌数据集|医学影像分析数据集

本数据集由佛山市第一人民医院创建，包含277名原发性鼻咽癌患者的MRI图像，涵盖T1加权、T2加权和增强T1加权序列，共计831次扫描。数据集不仅包括临床数据，还有经验丰富的放射科医生手动标注的分割图像，为未接受治疗的原发性鼻咽癌提供高质量数据资源。创建过程经过严格的质量控制，确保数据的准确性和可靠性。该数据集主要用于鼻咽癌的早期诊断、肿瘤分割和疾病分期，支持机器学习算法的发展，特别是在医疗图像分析领域，有助于提高疾病诊断和治疗策略的精确性。

AI搜集汇总

数据集介绍

构建方式

该数据集由277名经临床和病理诊断为原发性鼻咽癌的患者的多模态磁共振成像（MRI）数据组成。这些数据包括T1加权、T2加权和对比增强T1加权序列，共计831次扫描。所有图像均由两位经验丰富的放射科医生手动标注，并通过ITK-SNAP软件进行像素级肿瘤区域的分割。此外，数据集还包括患者的临床数据，如EBV状态、活检结果和五年无进展生存期。为确保数据质量，排除了曾接受放疗或化疗的患者以及图像质量不达标的病例。

特点

该数据集的显著特点在于其多模态MRI数据的全面性和高质量的手动标注。通过结合T1加权、T2加权和对比增强T1加权序列，提供了丰富的肿瘤形态学信息。此外，数据集还包括详细的临床参数，为模型训练提供了多维度的特征。手动标注的肿瘤区域为深度学习模型提供了高度准确的基准，有助于提高分割和诊断的准确性。

使用方法

该数据集可用于开发和验证鼻咽癌自动分割算法，特别是基于卷积神经网络（CNN）和U-Net等深度学习模型的应用。研究人员可以通过访问Zenodo平台下载数据集，并使用ITK-SNAP软件进行可视化。对于Python用户，PyDICOM库可用于读取MRI数据，而vtkmodules和Nibabel则适用于处理感兴趣区域（ROI）数据。通过这些工具，研究人员可以高效地利用该数据集进行模型训练和性能评估，从而推动鼻咽癌诊断和治疗策略的进步。

背景与挑战

背景概述

鼻咽癌（Nasopharyngeal Carcinoma, NPC）是全球第六大高发癌症，其发病率在东南亚地区尤为显著。为了应对这一挑战，研究人员在佛山市第一人民医院、安徽医科大学第二附属医院和复旦大学中山医院等机构合作，于2024年创建了首个综合性的鼻咽癌MRI数据集。该数据集包含277名初诊鼻咽癌患者的MR轴向图像，涵盖T1加权、T2加权和对比增强T1加权序列，共计831次扫描。此数据集不仅提供了高质量的图像数据，还包括由经验丰富的放射科医生手动标注的肿瘤分割数据，以及相关的临床数据。这一数据集的发布填补了鼻咽癌诊断和治疗规划领域的数据空白，为机器学习算法的发展提供了宝贵的资源，推动了鼻咽癌早期诊断和治疗策略的进步。

当前挑战

尽管该数据集在鼻咽癌研究中具有重要意义，但其构建和应用过程中仍面临多项挑战。首先，高质量的手动标注数据生成过程耗时且依赖于专家经验，这限制了数据集的扩展和更新速度。其次，多模态MRI数据的整合和分析需要复杂的算法和技术支持，以确保准确性和可靠性。此外，数据集的隐私保护和匿名化处理也是一大挑战，需确保患者信息的安全性和合规性。最后，如何有效地利用这一数据集进行模型训练和验证，以实现自动化肿瘤分割和疾病预测，仍需进一步研究和优化。

常用场景

经典使用场景

该数据集主要用于鼻咽癌（NPC）的多模态磁共振成像（MRI）分割研究。通过整合T1加权、T2加权和对比增强T1加权序列的MRI图像，研究人员可以利用这些高分辨率图像进行肿瘤的精确分割。这种多模态数据集为深度学习算法提供了丰富的特征，有助于提高鼻咽癌诊断和治疗的准确性。

解决学术问题

该数据集解决了鼻咽癌诊断和治疗中的关键学术问题，包括肿瘤的早期检测、精确分割和疾病分期。通过提供高质量的手动标注数据，该数据集为机器学习算法的发展提供了坚实的基础，有助于提高鼻咽癌的诊断准确性和治疗效果。此外，该数据集还促进了多模态影像数据的整合研究，推动了医学影像分析技术的发展。

衍生相关工作

基于该数据集，已经衍生出多项经典工作，包括使用卷积神经网络（CNN）和U-Net架构进行鼻咽癌的自动分割研究。例如，Li等人提出的NPCNet模型，通过联合分割鼻咽癌肿瘤和转移淋巴结，显著提高了分割的准确性。此外，Chen等人开发的MMFNet模型，通过多模态MRI融合网络，进一步提升了鼻咽癌的分割效果。这些研究不仅推动了鼻咽癌的诊断技术，也为其他类型的肿瘤分割研究提供了宝贵的参考。