LymphAtlas

LymphAtlas数据集是由上海交通大学设计学院、上海交通大学医学院附属第九人民医院以及复旦大学附属肿瘤医院核医学科合作构建的一个高质量的淋巴瘤多模态分割数据集。该数据集整合了PET代谢信息和CT解剖结构，基于全身FDG PET/CT检查建立，填补了血液系统恶性肿瘤领域缺乏标准化多模态分割数据集的空白。数据集包含220名淋巴瘤患者的483次全身FDG PET/CT检查数据，其中非霍奇金淋巴瘤患者106名，霍奇金淋巴瘤患者42名。数据集以nnUNet格式构建，并经过严格的技术验证和评估，证明了其在精确分割和定量分析中的适用性和稳定性。LymphAtlas数据集的建立不仅显著提高了肿瘤病变形态、位置和代谢特征的准确描绘，而且为早期诊断、临床分期和个体化治疗提供了坚实的数据支持，并推动了基于深度学习的自动图像分割和精准医学的发展。

LymphAtlas dataset is a high-quality multimodal segmentation dataset for lymphoma, collaboratively constructed by the School of Design of Shanghai Jiao Tong University, the Ninth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, and the Department of Nuclear Medicine of Fudan University Shanghai Cancer Center. Integrating PET metabolic information and CT anatomical structures, this dataset is developed based on whole-body FDG PET/CT examinations, filling the critical gap in standardized multimodal segmentation datasets in the field of hematological malignancies. The dataset contains 483 sets of whole-body FDG PET/CT examination data from 220 lymphoma patients, including 106 patients with non-Hodgkin lymphoma and 42 patients with Hodgkin lymphoma. Constructed in the nnUNet format, the dataset has undergone rigorous technical validation and evaluation, proving its applicability and stability in accurate tumor lesion segmentation and quantitative analysis. The establishment of the LymphAtlas dataset not only significantly enhances the accurate characterization of the morphology, location and metabolic features of tumor lesions, but also provides solid data support for early diagnosis, clinical staging and individualized treatment, and promotes the development of deep learning-based automatic image segmentation and precision medicine.

原始信息汇总

LymphAtlas- 数据集概述

数据集基本信息

• 名称: LymphAtlas-
• 类型: 多模态数据集
• 主题: 淋巴系统恶性肿瘤

数据集状态

• 当前状态: 非公开
• 公开计划: 将在相关论文发表后共享

数据集特点

• 多模态特性: 包含多种数据类型
• 专业性: 专注于淋巴系统恶性肿瘤领域

搜集汇总

数据集介绍

构建方式

LymphAtlas数据集的构建基于483例全身FDG PET/CT检查的回顾性收集，涵盖220名淋巴瘤患者（106例非霍奇金淋巴瘤和42例霍奇金淋巴瘤）。所有数据均经过伦理审查和严格去标识化处理，保留了完整的3D结构信息，并按照nnUNet格式进行高质量构建。数据预处理包括空间归一化、重采样、原点与方向校正以及图像对齐等步骤，确保PET与CT双模态图像在物理坐标系统中的精确匹配。专家团队使用ITK-Snap软件对病灶区域进行逐层分割，并通过第三方专家仲裁解决标注分歧，最终生成3D二进制掩码。

特点

该数据集具有显著的3D全身成像优势，能够捕捉淋巴系统肿瘤的分散性、多发性和不规则形态特征。PET与CT双模态图像的互补性为病灶分割提供了多维支持：CT图像详细展示解剖结构，PET图像则提供代谢信息。数据集经过严格的标准化处理，原始DICOM数据转换为NIfTI格式，并按nnUNet推荐的目录结构组织，确保了不同模态图像在分辨率、尺寸和对齐上的一致性。此外，数据集涵盖了淋巴瘤的两种主要亚型，具有高度的生物医学解释性和临床实用性。

使用方法

LymphAtlas数据集可通过GitHub公开获取，支持多种医学影像软件进行可视化与分析。建议使用ITK-SNAP等开源工具加载数据，或通过Python环境中的pydicom和nibabel库进行编程处理。数据集已预先转换为.nnUNet兼容格式，用户可直接用于训练深度学习模型。为确保结果可复现，建议严格遵循附带的预处理说明，并记录软件版本及关键参数。对于算法验证，推荐采用5折交叉验证策略，并参考论文中提供的Dice系数和IoU指标进行性能评估。数据集维护团队将持续更新数据，用户可通过指定平台获取最新版本。

背景与挑战

背景概述

LymphAtlas数据集由上海交通大学设计学院与上海第九人民医院、复旦大学附属肿瘤医院核医学科联合构建，旨在填补血液系统恶性肿瘤领域标准化多模态分割数据集的空白。该数据集整合了PET代谢信息与CT解剖结构，基于2011年3月至2024年5月期间483例全身FDG PET/CT检查数据，涵盖220例淋巴瘤患者（106例非霍奇金淋巴瘤、42例霍奇金淋巴瘤），所有数据均通过伦理审查并严格去标识化处理。通过遵循nnUNet格式构建三维多模态分割数据集，其深度学习方法在PET/CT图像中实现了淋巴瘤病灶的精确分割，为早期诊断、临床分期和个性化治疗提供了坚实的数据支持，推动了基于深度学习的自动化图像分割和精准医学发展。

当前挑战

LymphAtlas数据集面临的挑战主要体现在两个方面：领域问题方面，淋巴瘤病灶在PET和CT模态中呈现显著异质性，其形态、位置和代谢特征难以通过单一模态全面刻画，导致图像分割任务具有高度不确定性和挑战性；构建过程方面，多模态图像对齐、数据预处理及标注质量控制是关键技术难点，需确保PET与CT图像在空间坐标、分辨率和方向上的严格一致，同时专家标注过程中病灶边界的判定差异也需通过多级审核机制解决。此外，如何保持三维全身影像数据的完整性并适配深度学习框架的高效训练要求，亦是数据集构建中的重要挑战。

常用场景

经典使用场景

LymphAtlas数据集在淋巴瘤影像分析领域具有广泛的应用场景，特别是在多模态影像融合与病灶分割方面表现突出。该数据集整合了PET代谢信息与CT解剖结构，为淋巴瘤病灶的精确分割提供了高质量的三维影像数据。研究人员可利用该数据集进行深度学习模型的训练与验证，实现淋巴瘤病灶的自动化分割与定量分析。数据集涵盖了霍奇金淋巴瘤和非霍奇金淋巴瘤的多种亚型，为研究淋巴瘤的异质性提供了丰富的影像学资源。

实际应用

该数据集在临床实践中具有重要价值，可辅助医生进行淋巴瘤的早期诊断、临床分期和治疗效果评估。通过深度学习模型对PET/CT影像的自动分析，能够快速准确地定位病灶并量化其代谢活性，为制定个性化治疗方案提供客观依据。此外，数据集还可用于放疗靶区勾画、疗效监测等临床场景，提高诊疗效率和准确性。其标准化格式设计也便于医疗机构和研究团队进行数据共享与协作研究。

衍生相关工作

基于LymphAtlas数据集已衍生出多项重要研究工作，包括改进的3D U-Net分割算法、多模态特征融合方法以及淋巴瘤预后预测模型等。该数据集为nnUNet框架的优化提供了基准测试平台，推动了自适应深度学习模型在医学影像分析中的应用。相关研究不仅发表在顶级医学影像期刊，还被国际淋巴瘤诊疗指南引用，影响了临床实践标准。数据集的开源性也激励了全球研究团队开展跨机构合作，共同推进淋巴瘤影像分析的创新发展。