LIDC-IDRI
收藏资源简介：
LIDC-IDRI Curated Edition（精选版）是一个经过审核的高质量容积 CT 数据集，源自国际公认的参考数据库 TCIA LIDC-IDRI。该数据集通过严格的过滤标准，排除了具有几何切片缺陷、可变切片间距、厚切片（≥3.0 mm）、俯卧位采集以及使用造影剂的 CT 系列，最终保留了 630 个系列（629 个去标识化患者案例，共 184,617 个 DICOM 文件）。所有 CT 均为非对比剂、仰卧位扫描，具有均匀的 z 轴间距（无重复或缺失切片），切片厚度范围 0.6 mm 至 2.5 mm（其中 58% 为薄层 <1.5 mm），胸部覆盖范围最小 200 mm（中位数 312.5 mm），并涵盖 GE、SIEMENS、Philips、TOSHIBA 等多供应商扫描仪。数据以 DICOM 格式按患者目录组织，根目录提供统一的 metadata.csv 元数据文件，记录系列 UID、患者 ID、模态、制造商、图像数量、文件大小等字段。该数据集专为医学影像分析任务设计，包括：肺结节检测与分割、3D 解剖重建与点云生成、多模态胸部放射学分析、亨氏单位（HU）校准与预处理、以及 2D 投影到 3D 体积重建（如 X 光到 CT 合成与 DRR 到 CT 合成）。所有数据均经过 HIPAA Safe Harbor 标准去标识化处理，仅供学术研究使用。使用时需注意设备与协议差异，建议对体素进行各向同性重采样（如 1.0 mm³）和 HU 强度归一化（如肺部/软组织区域裁剪至 [-1000, 400] HU，骨骼提取区域裁剪至 [150, 1500] HU）。数据集采用 Creative Commons Attribution 3.0 Unported (CC BY 3.0) 许可。
The LIDC-IDRI Curated Edition is a curated high-quality volumetric CT dataset derived from the internationally recognized reference database TCIA LIDC-IDRI. Through strict filtering criteria, it excludes CT series with geometric slice defects, variable slice spacing, thick slices (≥3.0 mm), prone acquisitions, and contrast agent use, resulting in 630 series (629 de-identified patient cases, 184,617 DICOM files). All CTs are non-contrast, supine scans with uniform z-axis spacing (no duplicate or missing slices), slice thickness ranging from 0.6 mm to 2.5 mm (58% thin slices <1.5 mm), minimum chest coverage 200 mm (median 312.5 mm), and include scanners from multiple vendors such as GE, SIEMENS, Philips, and TOSHIBA. Data is organized in DICOM format by patient directory, with a unified metadata.csv file in the root directory recording series UID, patient ID, modality, manufacturer, number of images, file size, etc. This dataset is designed for medical image analysis tasks including: lung nodule detection and segmentation, 3D anatomical reconstruction and point cloud generation, multi-modal chest radiology analysis, Hounsfield unit (HU) calibration and preprocessing, and 2D to 3D volume reconstruction (e.g., X-ray to CT synthesis and DRR to CT synthesis). All data are de-identified per HIPAA Safe Harbor standards and intended for academic research only. Users should be aware of device and protocol differences and are recommended to perform isotropic resampling (e.g., 1.0 mm³) and HU intensity normalization (e.g., lung/soft tissue window clipping to [-1000, 400] HU, bone extraction window clipping to [150, 1500] HU). The dataset is licensed under Creative Commons Attribution 3.0 Unported (CC BY 3.0).
LIDC-IDRI (Curated Edition) 数据集总结
数据集概述
LIDC-IDRI Curated Edition 是一个经过审核的高质量体积CT数据集，派生自国际公认的参考数据库 TCIA LIDC-IDRI。该仓库（Kotomiya07/LIDC-IDRI）托管了一个经过清洗和策划的 DICOM CT 序列子集，专门过滤去除了几何切片缺陷、可变切片间距、厚层扫描（≥ 3.0 mm）、俯卧位采集以及增强CT。它提供了一个无伪影、解剖结构一致的基准，专为 x-ray-to-CT（2D投影到3D体积重建）、DRR合成和生成式3D医学视觉任务优化。
关键数据集统计
| 统计项 | 策划版（本仓库） | 上游 TCIA LIDC-IDRI | 描述 |
|---|---|---|---|
| 总 DICOM 文件数 | 184,617 | 234,584 | 干净、已验证的 DICOM 切片 |
| 患者病例数 | 629 | 1,010 | 高质量 CT 的去标识化病例 |
| CT 序列数 | 630 | 1,018 | 保证均匀 z 间距、完整胸腔 |
| 切片厚度 | 0.6 mm – 2.5 mm | 0.6 mm – 5.0 mm | 严格排除厚层（≥ 3.0 mm） |
| Z 间距均匀性 | 100% 等距 | 不一致（4 个可变，5 个重复） | 零重复切片，零缺失切片间隙 |
| 患者体位 | 100% 仰卧位（FFS/HFS） | 混合（14 个俯卧位 / HFP） | 无重力导致的解剖反转 |
| 对比剂 | 0%（纯非增强） | ~30.5%（310 个序列） | 可预测的组织 HU，用于正位胸片配对 |
| 胸腔覆盖范围 | 最小 200 mm（中位数：312.5 mm） | 不完整扫描（< 165 mm） | 完整成人肺野和膈顶覆盖 |
| 主要扫描仪厂商 | GE、SIEMENS、Philips、TOSHIBA | GE、SIEMENS、Philips、TOSHIBA | 保留多厂商扫描仪多样性 |
源数据集合由 The Cancer Imaging Archive (TCIA) 提供，由国家癌症研究所 (NCI) 和美国国立卫生研究院 (NIH) 资助。
支持的任务和用例
- 肺结节检测与分割：对 2D/3D 卷积架构和视觉 Transformer 进行基准测试，以检测和分割肺结节及可疑病变。
- 3D 解剖重建与点云生成：将体积 CT 亨斯菲尔德单位 (HU) 转换为干净的 3D 骨骼和身体点云（
(N, 3)坐标），用于几何深度学习和解剖建模。 - 多模态胸部放射影像分析：研究 3D 体积 CT 扫描与相应 2D 投影胸片（DX 和 CR）之间的跨模态表示学习。
- 亨斯菲尔德单位 (HU) 校准和预处理：评估窗口化、组织密度阈值化以及床/伪影去除算法。
- 2D-to-3D X-ray 到 CT 合成（x-ray2CT 和 DRR-to-CT）：训练神经辐射场、3D 扩散模型和跨视角体积 Transformer，从单/双平面放射影像到 3D 体积 CT。
数据集质量策划与过滤（用于 x-ray2CT 和 3D 重建）
为确保稳健的模型收敛、无伪影的 3D 体积合成，以及 x-ray-to-CT（2D投影到3D体积重建）和基于 DRR 的深度学习工作流的可靠评估，对原始 LIDC-IDRI 数据集的所有 1,308 个序列（234,000+ DICOM 切片）进行了审核。
低质量、物理不一致或产生伪影的扫描被识别并过滤为 策划高质量子集。
过滤标准和排除项
| 缺陷类别 | 排除序列数 | 技术理由及对模型训练的影响 |
|---|---|---|
| 几何切片缺陷（可变间距和重复） | 9 | 非均匀 z 间距（dz 抖动/间隙高达 38mm，如 LIDC-IDRI-0514；0672 中缺失切片）和重复切片位置（0418、0979、0085、0146、0572 中 dz = 0）在堆叠为 3D 张量时会导致致命几何失真、除零或不可逆空间变换。 |
俯卧位采集（PatientPosition == HFP） |
14 | 俯卧位扫描（趴卧，0218、0262、0291 等中方向为 [-1, 0, 0, 0, -1, 0]）。重力导致的肺不张和纵隔移位会对标准仰卧/直立胸片造成严重结构不匹配。 |
| 胸腔覆盖不完整（Z 范围 < 200 mm） | 2 | 部分或局部扫描（例如 LIDC-IDRI-0403 为气道研究提供 165mm 覆盖）缺少下肺野和膈顶，导致正位胸片缺少地面真实解剖结构。 |
厚层切片（SliceThickness >= 3.0 mm） |
121 | 3.0 mm、4.0 mm 和 5.0 mm 切片厚度的扫描沿 z 轴遭受严重的部分容积效应和阶梯伪影。各向同性重采样无法恢复丢失的肋廓轮廓、精细血管树或微结构。 |
增强 CT 扫描（ContrastBolusAgent） |
310 | 碘对比剂人为地高衰减肺血管、主动脉和心腔（> 300 HU）。由于非增强平面 X 射线无法预测血管期对比增强，混合增强和非增强 CT 会在训练期间引起严重幻觉和梯度方差。 |
| 总排除序列数（并集） | 388 | 所有标准中的唯一排除 CT 序列。 |
策划高质量子集规格
应用严格的策划过滤器产生 630 个高质量 CT 序列（跨 629 个唯一患者病例）：
- 100% 非增强、仰卧胸部 CT：与标准胸片匹配的干净基线组织放射密度。
- 保证均匀 Z 间距：无重复切片，无缺失切片间隙，严格等距空间采样。
- 完整成人胸腔覆盖：中位 Z 覆盖 312.5 mm（最小：200.0 mm，最大：415.0 mm），完全捕获肺尖到肋膈角。
- 薄层和高分辨率切片厚度：
- 薄层（< 1.5 mm）：365 个序列（58%）（0.6 mm、0.75 mm、0.9 mm、1.0 mm、1.25 mm）
- 中等层（1.5 mm - 2.5 mm）：265 个序列（42%）（1.5 mm、2.0 mm、2.5 mm）
- 厚层（≥ 3.0 mm）：0 个序列（0% - 完全排除）
关键预处理说明：重叠重建（dz vs SliceThickness）
[!WARNING] 在 128 个 CT 序列中（例如
SliceThickness = 1.25 mm），图像以 50% 重叠（dz = 0.625 mm） 重建。 切勿仅依赖SliceThickness(0018, 0050) DICOM 标签作为体素 z 间距！这样做会将 3D 体积沿 z 轴拉伸 2 倍。始终从连续ImagePositionPatient[2]坐标之间的差值计算真实切片间距： python z_coords = [float(ds.ImagePositionPatient[2]) for ds in sorted_slices] dz = np.diff(sorted(z_coords)).mean()
统一元数据（metadata.csv）
仓库根目录的 metadata.csv 已统一，严格索引 630 个高质量策划 CT 序列。metadata.csv 中编目的每个序列和 DICOM 文件都保证完整存在于仓库中，防止自动化流水线摄取期间出现任何缺失文件错误。
语言
元数据、医学报告和 DICOM 头属性以英文（en）书写。
数据集结构
目录布局
仓库文件结构如下：
text Kotomiya07/LIDC-IDRI/ ├── README.md ├── metadata.csv ├── .gitattributes └── LIDC-IDRI/ ├── LIDC-IDRI-0001/ │ └── 01-01-2000-NA-NA-30178/ │ └── 3000566.000000-NA-03192/ │ ├── 1-001.dcm │ ├── 1-002.dcm │ └── ... ├── LIDC-IDRI-0002/ └── ...
使用 Python 和 pydicom 加载数据
您可以使用 huggingface_hub 下载单个序列或直接流式传输文件，并使用 pydicom 处理它们：
python import pydicom from huggingface_hub import hf_hub_download import numpy as np
Download a specific DICOM slice
slice_path = hf_hub_download( repo_id="Kotomiya07/LIDC-IDRI", repo_type="dataset", filename="LIDC-IDRI/LIDC-IDRI-0065/01-01-2000-NA-NA-03808/3000536.000000-NA-68085/1-001.dcm", )
Read the DICOM header and pixel array
dcm = pydicom.dcmread(slice_path) print(f"Modality: {dcm.Modality}") print(f"Patient ID: {dcm.PatientID}") print(f"Image Shape: {dcm.pixel_array.shape}")
Convert raw pixel values to Hounsfield Units (HU)
slope = getattr(dcm, "RescaleSlope", 1) intercept = getattr(dcm, "RescaleIntercept", 0) hu_image = dcm.pixel_array.astype(np.float64) * slope + intercept
数据字段（metadata.csv）
根目录 metadata.csv 描述了此集合中包含的所有序列：
| 字段 | 类型 | 描述 |
|---|---|---|
Series UID |
string |
采集序列的唯一 DICOM 标识符。 |
Collection |
string |
集合标识符（LIDC-IDRI）。 |
3rd Party Analysis |
string |
第三方分析标签（如适用）。 |
Data Description URI |
string |
官方 TCIA 集合页面的 DOI 链接。 |
Subject ID |
string |
去标识化患者标识符（例如 LIDC-IDRI-0001）。 |
Study UID |
string |
患者检查研究的唯一 DICOM 标识符。 |
Study Description |
string |
描述性研究注释（如 DICOM 头中提供）。 |
Study Date |
string |
标准化匿名研究日期（01-01-2000）。 |
Series Description |
string |
来自扫描仪头部的序列描述标签。 |
Manufacturer |
string |
医学成像设备制造商（例如 GE MEDICAL SYSTEMS、SIEMENS）。 |
Modality |
string |
成像模态：CT（计算机断层扫描）、DX（数字 X 射线）、CR（计算机放射摄影）。 |
SOP Class Name |
string |
完整 DICOM SOP 类名称（例如 CT Image Storage）。 |
SOP Class UID |
string |
SOP 类的 DICOM 唯一标识符。 |
Number of Images |
int64 |
序列中切片文件总数。 |
File Size |
string |
序列的人类可读总大小（例如 70.33 MB）。 |
File Location |
string |
包含切片文件的文件夹的相对路径。 |
Download Timestamp |
string |
源采集下载的 ISO 时间戳。 |
模态和成像细节
- CT（计算机断层扫描）：高分辨率体积胸部扫描。切片厚度因病例而异，从 0.6 mm 到 5.0 mm。像素数据需要重缩放变换（
HU = pixel * RescaleSlope + RescaleIntercept），用于校准的放射组织分析。 - DX（数字放射摄影）和 CR（计算机放射摄影）：伴随 CT 扫描的平面胸部 X 射线放射影像，用于多视角或比较诊断任务。
数据集创建和来源
源数据
- 上游集合：肺图像数据库联盟 (LIDC) 和图像数据库资源计划 (IDRI)
- 托管机构：The Cancer Imaging Archive (TCIA) / 国家癌症研究所 (NCI)
- DOI：10.7937/K9/TCIA.2015.LO9QL9SX
- 官方 TCIA 页面：TCIA LIDC-IDRI Overview
匿名化和隐私
LIDC-IDRI 数据集中的所有患者病例在 TCIA 发布前均已根据《健康保险携带和责任法案》(HIPAA) 安全港标准严格去标识化。所有受保护健康信息 (PHI)，如患者姓名、真实出生日期、病历号和临床机构标识符，均已被剥离并替换为确定性匿名代码（LIDC-IDRI-xxxx）。日期已重新锚定到名义参考点（例如 01-01-2000）。
使用数据的注意事项
仅限研究使用
[!CAUTION] 此数据集严格用于学术、研究和技术评估目的。未经认证的监管批准和临床验证，不得将其作为临床诊断、患者管理或临床决策支持的唯一依据。
设备和协议差异
数据集涵盖多个 CT 扫描仪制造商、探测器代次、重建核、切片厚度和管电流协议。训练机器学习模型时：
- 考虑体素各向异性（不同的
SliceThickness和PixelSpacing）。 - 应用标准化重采样（例如各向同性 1.0 mm³ 间距）和强度归一化（例如肺/软组织 HU 裁剪至
[-1000, 400]，或骨提取裁剪至[150, 1500]）。
附加信息
许可信息
LIDC-IDRI 集合根据 Creative Commons Attribution 3.0 Unported (CC BY 3.0) 许可证发布： https://creativecommons.org/licenses/by/3.0/
用户可以自由共享和改编材料用于任何目的，甚至商业用途，但需提供适当署名并引用原始出版物。
引用信息
在研究中或衍生作品中使用此数据集时，请引用基础 TCIA 出版物：
bibtex @article{armato2011lung, title={The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A completed reference database of lung nodules on CT scans}, author={Armato III, Samuel G and McLennan, Geoffrey and Bidaut, Luc and McNitt-Gray, Michael F and Meyer, Charles R and Reeves, Anthony P and Zhao, Binsheng and Aberle, Denise R and Henschke, Claudia I and Hoffman, Eric A and others}, journal={Medical Physics}, volume={38}, number={2}, pages={915--931}, year={2011}, publisher={Wiley Online Library}, doi={10.1118/1.3528204} }
bibtex @article{clark2013cancer, title={The Cancer Imaging Archive (TCIA): Maintaining and operating a public information repository}, author={Clark, Kenneth and Vendt, Bruce and Smith, Kirk and Freymann, John and Kirby, Justin and Koppel, Paul and Moore, Stephen and Phillips, Shawn and Maffitt, David and Pringle, Michael and others}, journal={Journal of Digital Imaging}, volume={26}, number={6}, pages={1045--1057}, year={2013}, publisher={Springer}, doi={10.1007/s10278-013-9622-7} }
仓库引用
如果引用此 Hugging Face 仓库包：
text Kotomiya07. (2026). LIDC-IDRI Image Collection on Hugging Face. URL: https://huggingface.co/datasets/Kotomiya07/LIDC-IDRI
