LesionLocator

LesionLocator数据集是由德国癌症研究中心创建的，包含23,262个注释的医学扫描，以及跨越不同病变类型的综合纵向数据。该数据集的多样性和规模显著提高了模型对真实世界医学成像挑战的泛化能力，并解决了纵向数据可用性的关键限制。数据集涵盖多种成像模态、病变大小和类型，旨在为零样本病变分割和自动化纵向病变跟踪提供基准，并促进医学成像领域的发展。

The LesionLocator dataset was developed by the German Cancer Research Center. It contains 23,262 annotated medical scans and comprehensive longitudinal data spanning diverse lesion types. The diversity and scale of this dataset significantly boost the generalization performance of models when faced with real-world medical imaging challenges, while addressing the critical limitation of longitudinal data availability. The dataset covers multiple imaging modalities, lesion sizes and lesion types, and is designed to serve as a benchmark for zero-shot lesion segmentation and automated longitudinal lesion tracking, as well as to advance the field of medical imaging.

原始信息汇总

数据集概述

数据集名称

CVPR2025 LesionLocator: Zero-Shot Universal Tumor Segmentation and Tracking in 3D Whole-Body Imaging

数据集简介

该数据集是用于3D全身成像中肿瘤分割和跟踪的大型病变数据集。它支持零样本通用肿瘤分割和跟踪，通过结合可提示分割和基于深度学习的注册方法，实现了两项任务的最先进性能。

论文信息

• 标题：LesionLocator: Zero-Shot Universal Tumor Segmentation and Tracking in 3D Whole-Body Imaging
• 作者：Maximilian Rokuss, Yannick Kirchhoff, Seval Akbal, Balint Kovacs, Saikat Roy, Constantin Ulrich, Tassilo Wald, Lukas T. Rotkopf, Heinz-Peter Schlemmer, Klaus Maier-Hein
• 预印本：即将发布

代码发布

• 代码发布：代码将在近期发布，敬请期待。

引用信息

@article{lesionlocator2025, title={LesionLocator: Zero-Shot Universal Tumor Segmentation and Tracking in 3D Whole-Body Imaging}, author={Maximilian Rokuss and Yannick Kirchhoff and Seval Akbal and Balint Kovacs and Saikat Roy and Constantin Ulrich and Tassilo Wald and Lukas T. Rotkopf and Heinz-Peter Schlemmer and Klaus Maier-Hein}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition}, year={2025} }

联系方式

• 联系邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

LesionLocator数据集的构建采用了大规模的标注医学扫描数据，以及跨多样病变类型的综合纵向数据。为了解决纵向数据稀缺的问题，该数据集引入了一种新颖的数据增强技术，能够从单时间点图像中生成合成纵向数据，从而在大型纵向数据上进行有效训练。这一技术显著提升了模型在真实世界医学影像挑战中的泛化能力，并解决了纵向数据可用性的关键局限性。

特点

LesionLocator数据集具有以下显著特点：1. 包含23,262个标注医学扫描的广泛数据集，以及跨多样病变类型的综合纵向数据；2. 通过新颖的数据增强技术生成合成纵向数据，增强了模型的泛化能力；3. 在病变分割方面，LesionLocator超越了所有现有的可提示模型，达到接近人类的性能；4. 在病变跟踪方面，LesionLocator取得了最先进的结果，具有优越的病变检索和分割准确性。

使用方法

使用LesionLocator数据集时，用户首先在初始扫描中标记病变，模型随后会自动对后续所有扫描进行一致的分割和跟踪。这种方法简化了肿瘤负担评估和疾病进展监测。此外，LesionLocator模型还支持点或框提示，使其具有更高的灵活性和实用性。

背景与挑战

背景概述

随着医学影像学在临床诊断和治疗中的应用日益广泛，对肿瘤等病变的自动分割和追踪的需求也日益增长。传统的分割方法往往需要大量的标注数据，而LesionLocator数据集的提出，旨在解决这一问题。LesionLocator数据集由德国癌症研究中心等机构于2025年创建，包含23,262个标注的医疗扫描数据，以及多种类型病变的纵向合成数据。该数据集的多样性和大规模性显著提高了模型在真实世界医疗影像挑战中的泛化能力，并解决了纵向数据可用性的关键限制。LesionLocator在病变分割方面超越了所有现有的可提示模型，达到人类水平的性能，并在病变追踪方面取得最先进的结果，具有更高的病变检索和分割精度。该数据集不仅为通用的可提示病变分割和自动纵向病变追踪设置了新的基准，而且还提供了首个此类开源解决方案，向社区发布了我们的合成4D数据集和模型，为未来医疗影像学的进步提供了动力。

当前挑战

尽管LesionLocator数据集取得了显著的成果，但仍面临一些挑战。首先，由于患者体位、成像窗口、扫描协议以及成像会话之间的不规则间隔等因素的影响，病变分割和追踪任务本身就具有固有的难度。其次，构建过程中，纵向数据集的稀缺性是一个重要瓶颈，限制了模型对疾病随时间进展的建模能力。为了解决这个问题，LesionLocator引入了一种新颖的数据增强技术，从单时间点的图像中生成合成纵向数据，以增强模型在时间点上的鲁棒性和泛化能力。此外，区分紧密相邻或融合的病变仍然是一个挑战，但在初始图像上使用额外的点击可以进一步实现可靠的追踪。

常用场景

经典使用场景

在医疗影像领域，LesionLocator数据集主要用于实现零样本纵向病变跟踪和分割，尤其适用于3D全身成像。通过使用用户提供的点或框提示，该数据集支持对病变的自动分割和跨多个随访扫描的跟踪。这在临床实践中非常有用，可以减轻放射科医生的工作负担，并支持更准确、更高效的肿瘤负荷评估、疾病进展监测和放射组学分析。

解决学术问题

LesionLocator数据集解决了两个关键问题：一是通过使用零样本分割技术，它能够在没有特定病变类型标签的情况下进行病变分割，从而提高了模型的泛化能力；二是通过创建合成纵向数据，它克服了纵向数据稀缺的问题，使得模型能够在不同时间点上进行训练和评估。这些创新点使得LesionLocator在病变分割和跟踪方面取得了突破性的进展。

衍生相关工作

LesionLocator数据集的发布，推动了医学影像分析领域的一系列相关工作。例如，基于LesionLocator数据集，研究人员开发了新的零样本分割和跟踪模型，这些模型在病变分割和跟踪方面取得了更高的性能。此外，LesionLocator数据集还促进了医学影像分析领域的数据共享和开放合作，为未来的研究提供了宝贵的数据资源。