LiQA (Liver Fibrosis Quantification and Analysis)

LiQA数据集是由复旦大学等机构联合构建的大规模开放基准数据集，旨在量化分析肝纤维化程度。该数据集包含440名患者的2700个3D MRI扫描，涵盖多中心、多厂商的复杂临床场景，平均每位患者有6-7个序列图像。数据通过标准化的多期动态增强MRI协议采集，并严格以病理活检结果为金标准标注纤维化分期。其设计特点包括空间未对齐、随机缺失模态和跨中心异质性，真实模拟了临床影像分析的挑战。该数据集支持肝脏分割（LiSeg）和纤维化分期（LiFS）两大任务，为开发鲁棒的医学AI算法提供了重要资源。

LiQA Dataset is a large-scale open benchmark dataset jointly constructed by Fudan University and other institutions, aiming to quantitatively analyze the degree of liver fibrosis. This dataset includes 2700 3D MRI scans from 440 patients, covering complex clinical scenarios across multiple centers and scanner vendors, with an average of 6-7 sequence images per patient. The data was acquired via a standardized multi-phase dynamic contrast-enhanced MRI protocol, and the fibrosis stages were strictly annotated with pathological biopsy results as the gold standard. Its design features spatial misalignment, randomly missing modalities, and cross-center heterogeneity, which realistically simulate the challenges in clinical medical image analysis. This dataset supports two major tasks: liver segmentation (LiSeg) and fibrosis staging (LiFS), providing an important resource for developing robust medical AI algorithms.

搜集汇总

数据集介绍

构建方式

在肝脏疾病影像分析领域，构建能够反映真实临床复杂性的数据集至关重要。LiQA数据集作为CARE 2024挑战赛的一部分，其构建过程严格遵循多中心、多厂商的临床实践原则。该数据集汇集了来自三家临床中心的440例肝纤维化患者的MRI扫描数据，总计约2700个三维MRI体积，平均每位患者包含六到七个序列。数据采集采用了标准的多期动态对比增强协议，使用Gd-EOB-DTPA造影剂，并涵盖了T2加权成像、扩散加权成像以及多期动态增强MRI。为确保标签的可靠性，纤维化分期通过组织病理学检查确定，活检或手术标本的获取时间均在MRI扫描后三个月内，从而保证了影像特征与病理诊断的高度一致性。

特点

LiQA数据集的核心特点在于其高度模拟真实临床场景的设计理念。该数据集包含了多厂商、多中心的MRI扫描，涉及西门子和飞利浦的不同型号扫描仪，磁场强度覆盖1.5T与3.0T，这种多样性引入了显著的域偏移，为评估算法的跨站点泛化能力提供了严格测试平台。数据集特意保留了空间未对齐的多序列MRI体积，以及随机缺失的模态，以模拟临床工作流中常见的采集变异和协议差异。此外，数据集中部分病例可能共存肝细胞癌等肝脏病变，进一步增加了分析的复杂性，使其成为开发生物医学图像分析中稳健算法的理想资源。

使用方法

LiQA数据集主要支持肝脏分割和肝纤维化分期两大任务的研究与评估。对于肝脏分割任务，数据集提供了肝胆期MRI扫描，但仅对少量训练数据提供了专家标注的掩膜，这要求研究者采用半监督或小样本学习技术来利用大量未标注数据。肝纤维化分期任务则要求利用多序列、多期相的MRI扫描准确预测纤维化阶段，评估重点在于区分肝硬化与识别显著纤维化这两个临床关键的二分类子任务。在使用过程中，算法需要处理空间未对齐的图像、随机缺失的模态以及跨中心的异质性，因此常采用基于注意力的多视图融合策略和类激活图正则化等技术，以整合互补信息并提升模型在真实临床环境中的鲁棒性。

背景与挑战

背景概述

肝脏纤维化作为全球重大健康负担，其精准分期对临床管理至关重要。LiQA数据集由复旦大学、上海交通大学等机构的研究团队于2024年构建，作为CARE 2024挑战赛的核心组成部分，旨在应对真实世界肝脏影像分析的复杂性。该数据集汇集了来自多中心、多厂商的440例患者的多期相MRI扫描，专注于肝脏分割与纤维化分期两大核心任务。通过模拟临床实践中常见的域偏移、模态缺失及空间错位等问题，LiQA为算法鲁棒性评估提供了高标准基准，推动了医学影像人工智能在肝脏疾病诊断中的实际应用。

当前挑战

LiQA数据集致力于解决肝脏纤维化自动分期与肝脏分割的领域挑战，其核心问题在于处理多中心、多序列MRI数据中的异质性。具体挑战包括：在肝脏分割任务中，标注数据稀缺与肝细胞特异性成像带来的解剖结构差异；在纤维化分期任务中，需整合空间未配准的多期相图像，并应对随机缺失的模态数据。构建过程中的挑战则体现在多中心数据采集导致的显著域偏移，以及真实临床场景中呼吸运动或协议差异引发的图像错位，这些因素共同要求算法具备强大的泛化与容错能力。

常用场景

经典使用场景

在肝脏疾病影像分析领域，LiQA数据集为算法开发提供了真实临床环境下的基准测试平台。该数据集最经典的使用场景在于评估肝脏分割与纤维化分期模型的鲁棒性，尤其是在面对多中心、多厂商采集的MRI数据时。研究者可利用其包含的空间错位、模态缺失等复杂条件，验证半监督学习与多视图融合策略的有效性，从而推动医学影像分析技术向临床实用化迈进。

实际应用

在实际临床场景中，LiQA数据集支持非侵入性肝纤维化评估系统的开发与优化。基于该数据集训练的模型可辅助放射科医生进行自动化肝脏分割与纤维化分期，减少对侵入性肝活检的依赖，并实现疾病进展的纵向监测。其多中心设计确保了算法在不同医院设备与协议下的稳定性，为个性化医疗决策提供了可靠的计算工具。

衍生相关工作

围绕LiQA数据集，已衍生出一系列经典研究工作，主要集中在半监督分割与多模态融合方向。例如，结合nnU-Net架构与外部数据伪标签训练的肝脏分割框架，以及利用3D ResNet与类激活图正则化的纤维化分期模型。这些工作进一步推动了跨域适应、缺失模态补偿等方法的创新，为后续肝脏影像分析挑战赛提供了重要技术参考。