LUND-PROBE

LUND-PROBE数据集是由瑞典隆德大学等机构创建的，包含432名前列腺癌患者使用MRI-only放射治疗流程的临床数据，以及35名患者的额外数据，包括深度学习生成的分割、深度学习分割不确定性图以及四名放疗医师调整的深度学习分割。数据集涵盖MRI和合成CT图像、目标和多个OAR的分割以及放射治疗剂量分布，旨在推动自动化放射治疗计划、分割、观察者间分析以及深度学习模型不确定性研究等领域的研究。

The LUND-PROBE dataset was created by Lund University, Sweden, and other institutions. It comprises clinical data from 432 prostate cancer patients who underwent MRI-only radiotherapy workflows, plus additional data from 35 patients. The additional data includes deep learning-generated segmentations, deep learning segmentation uncertainty maps, and deep learning segmentations adjusted by four radiation oncologists. The dataset covers MRI and synthetic CT images, segmentations of the target volume and multiple organs at risk (OARs), as well as radiotherapy dose distributions. This dataset aims to advance research in fields such as automated radiotherapy planning, segmentation, inter-observer analysis, and deep learning model uncertainty studies.

搜集汇总

数据集介绍

构建方式

LUND-PROBE 数据集的构建采用了临床数据收集与深度学习相结合的方法。该数据集的基础部分包含了 432 名接受 MRI 指导下放射治疗的前列腺癌患者的临床数据，包括 MRI 和合成 CT（sCT）图像、目标区域和危及器官（OARs）的分割，以及放射治疗剂量分布。此外，数据集还包括了 35 名患者的扩展数据，这些数据中包含了深度学习（DL）生成的分割、DL 分割的不确定性图，以及经过四位放射肿瘤学家手动调整的 DL 分割。数据集的构建过程中，所有患者均接受了 7 次分次放射治疗，总剂量为 42.7 Gy。数据集以匿名和标准化的方式存储，确保了数据的安全性和一致性。

使用方法

使用 LUND-PROBE 数据集的方法主要包括下载、处理和分析。数据集托管在 AIDA 数据中心，用户可以通过数字请求下载数据。数据以压缩的 NIfTI 格式提供，方便用户进行图像处理和分析。用户可以使用 Python 等编程语言对数据进行加载、可视化和处理。此外，数据集还提供了相应的文件描述和代码示例，方便用户快速上手。

背景与挑战

背景概述

前列腺癌是全球男性中第二大常见的恶性肿瘤，也是男性癌症死亡的主要原因之一。放射治疗是前列腺癌的主要治疗方法之一，它依赖于计算机断层扫描（CT）和/或磁共振成像（MRI）来分割目标体积和危及器官（OARs）。手动分割这些体积被认为是机器学习应用中的金标准，但其数据获取过程繁琐且耗时。LUND-PROBE数据集由瑞典斯堪的纳维亚大学医院和隆德大学的研究人员创建，旨在解决这一挑战。该数据集于2025年2月6日提交至《自然科学数据》杂志进行审查，包含了432名接受MRI引导放射治疗的前列腺癌患者的MRI和合成CT（sCT）图像、目标和OARs分割以及放射治疗剂量分布。此外，还包括35名患者的扩展数据集，其中包含了深度学习（DL）生成的分割、DL分割不确定性图以及由四位放射肿瘤学家手动调整的DL分割。该数据集的发布旨在促进自动放射治疗计划、分割、观察者间分析以及DL模型不确定性研究等领域的研究。该数据集托管在AIDA数据平台上，为科学界提供了一个免费使用的资源，对于推动医学影像和前列腺癌放射治疗研究具有重要意义。

当前挑战

LUND-PROBE数据集面临的挑战包括：1)所解决的领域问题：该数据集旨在解决前列腺癌放射治疗中手动分割目标体积和危及器官的繁琐和耗时问题。通过提供高质量的医学图像和分割数据，该数据集可以促进DL模型的发展，从而实现自动化分割和减少观察者间差异。2)构建过程中所遇到的挑战：数据集的构建过程中，研究人员面临了多方面的挑战，包括MRI和sCT图像的采集、分割、剂量分布的计算和DL模型的开发。此外，数据集还包括了DL分割的不确定性图，这为研究人员提供了一个新的研究方向，即如何评估DL模型的不确定性对临床决策的影响。

常用场景

经典使用场景

LUND-PROBE数据集是一个公开可用的临床数据集，旨在支持前列腺癌的放射治疗研究。它包括432名接受MRI引导放射治疗的前列腺癌患者的MRI和合成CT图像、靶区和风险器官的分割以及放射治疗剂量分布。此外，还包括35名患者的扩展数据集，其中增加了深度学习生成的分割、深度学习分割的不确定性图以及由四位放射肿瘤学家手动调整的深度学习分割。LUND-PROBE数据集最经典的使用场景是用于自动化放射治疗计划、分割、观察者间分析和深度学习模型不确定性研究。

解决学术问题

LUND-PROBE数据集解决了前列腺癌放射治疗中的一些常见学术研究问题。它提供了高质量的临床数据，包括MRI和合成CT图像、靶区和风险器官的分割以及放射治疗剂量分布。这些数据可以用于开发新的深度学习模型，并提高前列腺癌放射治疗研究的水平。此外，LUND-PROBE数据集还提供了深度学习分割的不确定性信息，这可以帮助放射肿瘤学家更好地理解深度学习模型的性能和局限性。

实际应用

LUND-PROBE数据集的实际应用场景包括开发新的深度学习模型、改进前列腺癌放射治疗计划、提高分割的准确性和可靠性，以及进行观察者间分析。此外，LUND-PROBE数据集还可以用于教育目的，帮助放射肿瘤学家更好地理解深度学习模型在放射治疗中的应用。

数据集最近研究

最新研究方向

LUND-PROBE数据集的发布为前列腺癌的放射治疗计划、分割、观察者间分析和深度学习模型不确定性研究提供了宝贵资源。该数据集的独特之处在于它包括了MRI图像、合成CT图像、靶器官和风险器官的分割以及放射治疗剂量分布，并包含了多观察者分割数据。此外，数据集中还包含了深度学习生成的分割、深度学习分割不确定性图以及由四名放射肿瘤学家手动调整的深度学习分割。这些资源的发布旨在促进自动化放射治疗计划、分割、观察者间分析和深度学习模型不确定性研究等领域的科研工作。

相关研究论文

• LUND-PROBE -- LUND Prostate Radiotherapy Open Benchmarking and Evaluation dataset

  瑞典隆德大学 · 2025年