ryfkn/kits23-hf-2d-preview

该数据集是一个医学影像数据集，包含CT扫描图像及其对应的分割标注。数据特征包括病例ID、原始图像路径、原始分割路径、图像形状、间距信息、唯一标签，以及三个轴向（axis0、axis1、axis2）的切片索引、肾脏边界框、肿瘤边界框、囊肿边界框、CT图像、叠加图像和肾脏、肿瘤、囊肿的掩膜图像。数据集旨在支持肾脏、肿瘤和囊肿的检测与分割任务，适用于计算机辅助诊断和医学图像分析研究。数据分为训练集（391个样本）、验证集（49个样本）和测试集（49个样本），总大小约为288MB。This dataset is a medical imaging dataset containing CT scan images and corresponding segmentation annotations. The features include case ID, original image path, original segmentation path, image shape, spacing information, unique labels, as well as slice indices for three axes (axis0, axis1, axis2), kidney bounding boxes, tumor bounding boxes, cyst bounding boxes, CT images, overlay images, and masks for kidney, tumor, and cyst. The dataset is designed to support detection and segmentation tasks for kidneys, tumors, and cysts, suitable for computer-aided diagnosis and medical image analysis research. The data is split into training set (391 examples), validation set (49 examples), and test set (49 examples), with a total size of approximately 288MB.

搜集汇总

数据集介绍

构建方式

kits23-hf-2d-preview数据集基于KiTS23医学影像挑战赛的原始三维CT扫描数据构建而成。为便于深度学习模型的训练与推理，该数据集将原始三维体积数据沿三个正交解剖轴（轴状位、冠状位、矢状位）进行切片，提取出二维断面图像，并保留每个切片在原始体积中的索引位置。每张切片均附带对应的肾脏、肿瘤及囊肿的语义分割掩膜，同时提供边界框标注信息，从而在保持原始空间信息的前提下，将三维医学影像任务转化为更易处理的二维图像分析问题。

特点

该数据集的核心特色在于其多轴向视图的精细结构设计。针对每一病例，数据均在同一采样位置提供沿三个解剖轴切分的多模态图像与掩膜对，包括原始CT图像、病灶叠加可视化图像以及肾脏、肿瘤、囊肿的独立分割掩膜。此外，每个轴向视图均包含切片索引、边界框坐标以及原始图像的空间分辨率（spacing）与标签集合等元数据，为研究者提供了丰富的空间语义上下文，极大便利了多视角融合分析、弱监督学习及迁移学习等任务的开展。

使用方法

该数据集通过HuggingFace Datasets库进行加载，用户可使用`load_dataset`函数直接读取预划分的训练、验证与测试子集。每个样本包含多个丰富的字段，研究者可根据任务需求选取特定轴向上的CT图像与对应掩膜进行二维分割模型训练。边界框标注可直接用于目标检测任务，而切片索引与空间分辨率元数据则支持构建三维重建或体素级分析的预处理流程。数据集格式简洁统一，易于集成至常见的计算机视觉与医学图像分析框架中。

背景与挑战

背景概述

kits23-hf-2d-preview数据集源自肾肿瘤分割挑战（KiTS23），由多个国际研究机构于2023年联合发布，旨在推动计算机辅助诊断在肾癌治疗中的应用。该数据集聚焦于从腹部CT影像中精确分割肾脏、肿瘤及囊肿，为深度学习模型提供了三维医学影像的二维切片表示，包含391个训练样本及各49个验证与测试样本。通过提供多轴方向的切片图像、边界框及分割掩码，它降低了三维医学影像处理的门槛，促进了肾肿瘤分割算法的标准化评估。该数据集已成为肾癌影像分析领域的重要基准资源，推动了从影像到临床决策的转化研究。

当前挑战

该数据集所解决的领域问题在于肾肿瘤分割的精准性，因腹盆腔CT中肾脏与周围组织的密度相似，且肿瘤形态多样、边界模糊，传统分割方法难以泛化。构建过程中面临的核心挑战包括：多中心CT扫描的层厚与空间分辨率差异显著，需统一预处理以保持数据一致性；三维影像标注耗时且依赖专家经验，多轴切片化处理在保留空间上下文的同时增加了数据冗余；非增强与增强CT的组合增加了模型对对比度变化的鲁棒性要求。这些挑战要求算法在低对比度、强噪声背景下实现亚像素级分割精度，并具备跨中心迁移能力。

常用场景

经典使用场景

在医学影像分析领域，kits23-hf-2d-preview数据集为肾脏及肿瘤的语义分割任务提供了高质量的二维切片级标注资源。该数据集源自KiTS23挑战赛，精心提取了CT影像中沿三个轴向的关键切片，并配有肾脏、肿瘤及囊肿的精细掩码与边界框信息。研究者通常利用这些二维图像与掩码对，训练和评估深度学习分割模型，如U-Net及其变体。数据集充分考虑了临床影像的多样性，涵盖了不同病例在空间分辨率、病变形态及解剖位置上的差异，使其成为验证分割算法鲁棒性与泛化能力的理想基准。其简洁的二维格式也显著降低了计算门槛，便于快速迭代与原型开发。

衍生相关工作

kits23-hf-2d-preview数据集催生了一系列富有影响力的衍生研究，包括针对半监督与弱监督学习的探索，利用少量标注切片配合大量无标签数据提升分割精度。研究者还基于此构建了跨模态迁移学习框架，将二维切片特征迁移至三维体素分析中，显著降低了三维模型的训练成本。此外，该数据集推动了注意力机制与多尺度特征融合模块在医学分割网络中的创新，衍生出如TransUNet、nnU-Net等经典架构的适应性变体。在数据增强与域泛化方面，基于此数据集的工作系统性研究了不同CT采集参数对分割性能的影响，促进了临床实用型算法的成熟。

数据集最近研究

最新研究方向

在医学影像分析领域，多模态与多轴位信息的融合已成为提升肿瘤分割精度的关键突破口。kits23-hf-2d-preview数据集源自权威的KiTS23挑战赛，聚焦肾脏肿瘤、囊肿及正常组织的三维分割任务，其独特之处在于提供了横轴位、冠状位与矢状位三个正交切面的同步标注与图像数据，以及覆盖整个病例的边界框信息。这一设计顺应了当前深度学习模型对解剖结构空间上下文建模的前沿需求，使研究者能够利用多视角特征增强分割网络的体素感知能力。近期热点如基于Transformer的混合架构与半监督学习策略，可在此数据集上开展跨轴位注意力机制的验证，推动术前规划与术中导航的智能化进程。该数据集的发布不仅提升了肾脏病变自动划分的基准，也为可解释性医学AI的落地提供了多维评估平台。