soft-tissue-sarcoma-MRI-dataset

该数据集包含51名患有软组织肉瘤的患者的MRI扫描数据，包括T1加权、T2加权脂肪饱和和短tau反转恢复序列。数据集详细描述了患者的年龄、性别、肿瘤位置以及MRI扫描的具体参数，如切片厚度和平面分辨率。

This dataset comprises MRI scan data from 51 patients diagnosed with soft tissue sarcoma, including T1-weighted, T2-weighted fat-saturated, and short tau inversion recovery sequences. The dataset provides detailed descriptions of the patients' age, gender, tumor location, and specific MRI scan parameters such as slice thickness and in-plane resolution.

原始信息汇总

数据集概述

数据集名称

soft-tissue-sarcoma-MRI-dataset

数据集来源

该数据集从The Cancer Imaging Archive (TCIA)数据库中获取，包含51名患有软组织肉瘤（STS）的患者的MR/PET/CT扫描数据。

数据集组成

• 患者数量：21名患者，其中11名患有脂肪肉瘤（LPS），10名患有平滑肌肉瘤（LMS）。
• 患者性别与年龄：包括12名男性和9名女性，年龄范围为24至83岁。
• 随访时间：中位随访时间为31个月。
• 肿瘤位置：主要位于大腿、二头肌和骨盆。
• MRI序列类型：包括T1加权（T1）、T2加权脂肪饱和（T2FS）和短tau反转恢复（STIR）。
• 扫描参数：
  • T1序列：轴向平面，切片厚度5.5 mm，平面内分辨率0.63 mm²。
  • T2FS和STIR序列：切片厚度5 mm，平面内分辨率分别为0.74 mm²和0.86 mm²。

数据集内容统计

类型	T1	T2FS	STIR	总计
LPS	676	457	219	1352
LMS	472	409	63	944

引用信息

Hermessi, H., Mourali, O., Zagrouba, E. (2019), Deep feature learning for soft tissue sarcoma classification in MR images via transfer learning. Expert Systems With Applications, 120, 116–127. https://doi.org/10.1016/j.eswa.2018.11.025

搜集汇总

数据集介绍

构建方式

该数据集通过回顾性检索公开的癌症影像档案（TCIA）数据库构建而成，涵盖了51例经组织学证实的四肢软组织肉瘤患者的MR/PET/CT扫描数据。其中，21例患者的影像数据被进一步分析，包括11例脂肪肉瘤（LPS）和10例平滑肌肉瘤（LMS）。所有患者的病理亚型均通过手术确认，影像数据包括T1加权、T2加权脂肪抑制（T2FS）和短时反转恢复（STIR）三种MRI序列，切片厚度和平面分辨率均经过精确记录。

使用方法

该数据集可通过提供的下载链接获取，适用于基于MRI影像的软组织肉瘤分类和特征提取研究。研究人员可以利用T1、T2FS和STIR序列进行多模态影像分析，结合病理学分类结果，开发深度学习模型或进行影像组学研究。数据集的引用格式已在README文件中明确，使用时应遵循相关学术规范，确保研究结果的透明性和可重复性。

背景与挑战

背景概述

软组织肉瘤（Soft Tissue Sarcoma, STS）是一种罕见的恶性肿瘤，主要发生在四肢的软组织中。MRI技术在软组织肉瘤的诊断和治疗中具有显著优势，因其能够清晰区分软组织并捕捉肿瘤的异质性变化。该数据集由Cancer Imaging Archive（TCIA）提供，包含了51名经组织学证实的四肢软组织肉瘤患者的MR/PET/CT扫描数据。其中，21名患者的MRI数据被进一步分析，包括11例脂肪肉瘤（LPS）和10例平滑肌肉瘤（LMS）。这些数据涵盖了T1加权、T2加权脂肪饱和（T2FS）和短时反转恢复（STIR）三种MRI序列，为研究软组织肉瘤的影像学特征提供了宝贵资源。该数据集的创建时间为2015年，主要研究人员包括Vallières等人，其研究成果发表在《Physics in Medicine and Biology》上。

当前挑战

软组织肉瘤MRI数据集在解决软组织肉瘤影像分类和诊断问题时面临多重挑战。首先，软组织肉瘤的异质性较高，不同亚型的影像特征差异显著，增加了分类模型的复杂性。其次，MRI数据的多序列特性（如T1、T2FS和STIR）虽然提供了丰富的信息，但也带来了数据融合和特征提取的难题。此外，数据集的样本量相对较小，尤其是LMS亚型的样本较少，可能导致模型训练中的过拟合问题。在构建过程中，研究人员还需克服MRI扫描参数（如切片厚度和分辨率）不一致带来的数据标准化挑战，以确保模型的泛化能力。这些挑战共同构成了该数据集在临床应用和研究中的主要障碍。

常用场景

经典使用场景

在软组织肉瘤的研究领域，MRI成像技术因其卓越的软组织分辨能力而备受青睐。soft-tissue-sarcoma-MRI-dataset数据集通过提供51名患者的MR/PET/CT扫描数据，为研究人员提供了一个宝贵的资源，用于探索不同组织学亚型的软组织肉瘤。特别是，该数据集包含了21名患者的详细MRI序列，涵盖了T1加权、T2加权脂肪饱和和短时反转恢复序列，这些数据在肿瘤异质性和变化的研究中具有重要价值。

解决学术问题

该数据集解决了软组织肉瘤研究中一个关键问题：如何通过影像学特征准确区分不同组织学亚型的肿瘤。通过提供详细的MRI序列数据，研究人员能够深入分析肿瘤的纹理特征，进而开发出预测模型，如肺转移的预测模型。这不仅提升了诊断的准确性，还为个性化治疗方案的制定提供了科学依据。

实际应用

在实际应用中，soft-tissue-sarcoma-MRI-dataset数据集被广泛用于开发基于深度学习的肿瘤分类算法。通过迁移学习等技术，研究人员能够利用该数据集训练出高效的分类模型，辅助临床医生在早期诊断和治疗决策中做出更为精准的判断。此外，该数据集还为医学影像分析软件的开发提供了重要的测试和验证平台。

数据集最近研究

最新研究方向

在软组织肉瘤（STS）的研究领域，MRI成像技术因其卓越的软组织分辨能力和捕捉肿瘤异质性的能力而备受关注。近期研究聚焦于利用多模态MRI序列（如T1加权、T2加权脂肪饱和和短时反转恢复序列）进行软组织肉瘤的精准分类和预后预测。通过结合放射组学特征和深度学习技术，研究者能够从MRI图像中提取高维特征，进而构建预测模型，用于评估肿瘤的恶性程度、转移风险及治疗效果。这一方向不仅推动了软组织肉瘤的个性化治疗策略发展，还为影像组学在肿瘤学中的应用提供了新的研究范式。