Liver Tumor Segmentation Benchmark (LiTS)

该数据集由七个医院和研究机构合作创建，包含多样化的图像数据，包括大小和外观各异的原发和继发肿瘤，以及不同病变与背景水平（高/低密度）。数据集用于训练和测试75种肝脏和肝脏肿瘤分割算法，并在多次国际会议中进行了评估。

This dataset was collaboratively constructed by seven hospitals and research institutions, encompassing diverse imaging data including primary and secondary tumors with varying sizes and appearances, as well as lesions and backgrounds at different density levels (high/low density). It is utilized for training and testing 75 liver and liver tumor segmentation algorithms, and has been evaluated in multiple international conferences.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，肝脏肿瘤分割的精准性对于临床诊断与治疗规划至关重要。LiTS数据集的构建依托于全球七家医疗与研究机构的协作，共收集了201例腹部CT扫描数据，其中194例包含病灶。数据采集过程严格遵循匿名化处理，仅通过NiBabel工具统一转换为NIFTY格式，未进行其他预处理。标注工作由具备三年以上肿瘤影像经验的放射科医师逐层手动完成，使用ITK-SNAP软件区分‘肿瘤’与‘健康肝脏’标签，并经过三位独立评审员的交叉验证，以确保标注的一致性与可靠性。数据集的训练集与测试集按约2:1的比例划分，涵盖了不同分辨率、层厚及病灶数量的多样病例，从而为算法评估提供了坚实的临床基础。

特点

LiTS数据集的显著特点在于其高度的临床多样性与技术挑战性。该数据集涵盖了原发性与继发性肝脏肿瘤，包括肝细胞癌、胆管癌及结直肠癌、乳腺癌、肺癌转移灶等多种类型，病灶在密度表现上呈现高强化或低强化的异质性。影像数据来源于不同型号的CT扫描仪与采集协议，包含了金属伪影等常见临床成像缺陷，平面分辨率介于0.56毫米至1.0毫米之间，层厚范围达0.45毫米至6.0毫米。此外，数据集中病灶数量从0到12个不等，体积差异显著，最小仅为38立方毫米，最大可达1231立方毫米，这种尺寸与形态的广泛分布为分割算法的鲁棒性评估提供了严格测试环境。

使用方法

LiTS数据集主要通过在线评估平台CodaLab进行开放访问与算法评测。参与者可下载包含131例标注数据的训练集及70例未标注测试集，利用训练集开发分割模型后，将测试集的分割结果提交至平台。平台自动计算Dice分数、平均对称表面距离、最大对称表面距离及相对体积差异等多维度指标，并实时更新排行榜。数据集支持肝脏与肝脏肿瘤的双任务分割评估，同时鼓励研究者进行病灶检测分析，如计算病灶级别的精确率、召回率与F1分数。此外，数据已整合至Medical Segmentation Decathlon，促进多器官分割的联合研究，其持续开放的评估机制为算法迭代与比较提供了长效基准。

背景与挑战

背景概述

肝脏肿瘤分割基准（LiTS）数据集于2017年由慕尼黑工业大学联合全球多家医疗机构共同创建，旨在应对肝脏肿瘤自动化分割的迫切需求。该数据集汇集了来自七家医院的201例腹部CT扫描图像，涵盖原发性和继发性肿瘤，呈现多样化的尺寸、形态及影像表现。作为医学影像分析领域的重要里程碑，LiTS通过IEEE ISBI和MICCAI系列挑战赛推动了深度学习技术在肝脏及病灶分割中的广泛应用，显著提升了算法在复杂临床场景中的泛化能力。

当前挑战

LiTS数据集所应对的核心领域挑战在于肝脏肿瘤的精确分割与检测，尤其是小尺寸病灶的识别及模糊边界的界定。构建过程中的主要困难包括多中心数据采集导致的影像异质性，如对比剂增强差异、扫描参数不一致及金属伪影干扰。此外，标注工作需应对肿瘤形态的高度可变性及专家间标注差异，确保标签的一致性与可靠性成为关键。这些挑战共同凸显了在真实临床环境中实现稳健自动化分割的复杂性。

常用场景

经典使用场景

在医学影像分析领域，肝脏肿瘤分割是计算机辅助诊断与治疗规划的核心任务之一。LiTS数据集作为肝脏肿瘤分割的权威基准，其经典使用场景聚焦于评估和比较各类自动化分割算法在腹部CT影像中的性能。该数据集通过提供多中心、多样化的肝脏及肿瘤标注数据，为研究者构建了统一的测试平台，使得不同算法能够在相同条件下进行公平对比，从而推动分割技术的迭代与优化。

解决学术问题

LiTS数据集有效解决了肝脏肿瘤分割中若干关键学术难题，包括小尺寸肿瘤检测的敏感性不足、肿瘤与背景组织对比度差异导致的边界模糊，以及多中心数据分布不一致引发的模型泛化能力下降。通过提供大规模、高质量的标准标注，该数据集促进了深度学习模型在三维医学影像分割中的鲁棒性提升，并为肿瘤负荷定量分析、治疗反应评估等临床研究提供了可靠的数据基础，显著推动了精准医疗领域的方法学进展。

衍生相关工作

围绕LiTS数据集，学术界涌现了一系列经典研究工作。例如，nnU-Net框架通过自适应网络配置与训练流程，在多项分割任务中展现了卓越性能；H-DenseUNet则融合二维与三维卷积优势，提升了小肿瘤的检测精度。此外，基于自监督学习的预训练方法、针对部分标注数据的多器官协同分割模型，以及结合注意力机制的体积分割网络，均依托该数据集实现了技术创新，持续拓展了医学影像分析的边界。