有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
LiTS (Liver Tumor Segmentation Benchmark)|医学图像分析数据集|肿瘤分割数据集
收藏competitions.codalab.org2024-11-01 收录
下载链接：
https://competitions.codalab.org/competitions/17094
下载链接
链接失效反馈资源简介：
LiTS数据集是一个用于肝脏和肝脏肿瘤分割的基准数据集，包含130个CT扫描图像，其中130个用于训练，70个用于测试。每个CT扫描图像都包含肝脏和肝脏肿瘤的标注。
提供机构：
competitions.codalab.org
AI搜集汇总
数据集介绍
构建方式
LiTS数据集的构建基于医学影像领域的深度学习需求，汇集了来自多个医疗中心的CT扫描图像。这些图像经过专业放射科医生的标注，涵盖了肝脏及其肿瘤的详细分割信息。数据集的构建过程严格遵循医学伦理标准，确保了数据的准确性和可靠性。通过多阶段的筛选和验证，LiTS数据集最终形成了包含131个训练图像和70个测试图像的高质量资源。
特点
LiTS数据集以其高分辨率和多样的病例分布著称，为肝脏肿瘤的自动分割提供了丰富的训练样本。该数据集不仅包含了不同类型的肿瘤，还考虑了肿瘤在不同阶段的形态变化，从而增强了模型的泛化能力。此外，LiTS数据集的标注精细，能够支持像素级别的分割任务，为深度学习算法提供了强有力的支持。
使用方法
LiTS数据集主要用于肝脏肿瘤的分割任务，研究人员可以通过加载数据集中的图像和标注文件，进行模型的训练和验证。使用时，建议采用交叉验证方法以提高模型的鲁棒性。此外，LiTS数据集还可以用于评估不同分割算法的性能，通过对比测试图像的分割结果与真实标注，可以量化算法的准确性和效率。
背景与挑战
背景概述
LiTS（Liver Tumor Segmentation Benchmark）数据集由He et al.于2017年创建，旨在推动肝脏肿瘤分割技术的发展。该数据集由多个研究机构合作构建，包括德国癌症研究中心和荷兰癌症研究所等。LiTS数据集的核心研究问题是如何在医学影像中准确分割肝脏及其肿瘤，这对于提高肝癌诊断和治疗方案的精确性至关重要。该数据集的发布极大地促进了计算机辅助诊断（CAD）系统在肝脏肿瘤检测中的应用，为医学影像分析领域提供了宝贵的资源。
当前挑战
LiTS数据集在构建和应用过程中面临多项挑战。首先，肝脏肿瘤的形态和位置多样，导致分割任务复杂。其次，医学影像数据的质量和分辨率不一致，增加了数据预处理的难度。此外，数据集中的肿瘤样本数量有限，可能导致模型泛化能力不足。最后，如何在保持高精度的同时，提高分割算法的效率，是当前研究的重要课题。这些挑战不仅影响了数据集的构建质量，也制约了其在实际临床应用中的推广。
发展历史
创建时间与更新
LiTS数据集于2017年首次发布，旨在为肝脏肿瘤分割任务提供一个标准化的评估平台。该数据集的最新版本在2019年进行了更新，增加了更多的病例和详细的标注信息，以进一步提升其在医学影像分析领域的应用价值。
重要里程碑
LiTS数据集的发布标志着肝脏肿瘤分割领域的一个重要里程碑。其首次公开的数据集包含了130个CT扫描图像，每个图像都经过专业放射科医生的详细标注，为研究人员提供了一个高质量的基准。2019年的更新不仅增加了数据量，还引入了更复杂的病例，使得该数据集在评估和推动分割算法的发展方面更具挑战性和实用性。此外，LiTS还举办了多次分割挑战赛，吸引了全球研究者的参与，进一步推动了该领域的技术进步。
当前发展情况
当前，LiTS数据集已成为肝脏肿瘤分割研究中的一个重要参考资源。其丰富的数据和详细的标注为深度学习算法的发展提供了坚实的基础。许多研究团队利用LiTS数据集进行模型训练和验证，取得了显著的成果，推动了医学影像分析技术的进步。此外，LiTS数据集的应用不仅限于肝脏肿瘤的分割，还扩展到了其他器官和疾病的影像分析中，展示了其在多领域中的广泛适用性和深远影响。
发展历程
- LiTS数据集首次发表，由Bilic等人在MICCAI会议上提出，旨在为肝脏肿瘤分割提供一个标准化的基准。
- LiTS数据集首次应用于肝脏肿瘤分割挑战赛，吸引了全球多个研究团队参与，推动了肝脏肿瘤分割技术的发展。
- LiTS数据集被广泛应用于深度学习模型的训练和评估，成为肝脏肿瘤分割领域的重要基准数据集。
- LiTS数据集的扩展版本发布，增加了更多的CT扫描图像和标注，进一步提升了数据集的多样性和实用性。
- LiTS数据集在医学影像分析领域的应用持续扩展，多个研究团队基于该数据集提出了新的分割算法和模型。
常用场景
经典使用场景
在医学影像分析领域，LiTS（Liver Tumor Segmentation Benchmark）数据集被广泛用于肝脏肿瘤的自动分割任务。该数据集包含了大量的CT扫描图像，每张图像都标注了肝脏和肿瘤的边界，为研究人员提供了一个标准化的测试平台。通过使用LiTS数据集，研究者可以开发和评估各种基于深度学习的分割算法，从而提高肝脏肿瘤检测的准确性和效率。
衍生相关工作
LiTS数据集的发布催生了大量相关的经典工作，特别是在深度学习和医学影像分析的交叉领域。许多研究团队基于LiTS数据集开发了新的分割算法，如U-Net、Mask R-CNN等，并在顶级学术会议上发表了相关论文。此外，LiTS数据集还被用于多模态影像融合、三维重建等前沿研究，推动了医学影像分析技术的不断进步。
数据集最近研究
最新研究方向
在医学影像分析领域，LiTS（Liver Tumor Segmentation Benchmark）数据集的最新研究方向主要集中在提高肝脏肿瘤分割的精度和效率。随着深度学习技术的不断进步，研究者们致力于开发更复杂的卷积神经网络架构，以捕捉肿瘤的细微特征，从而提升分割的准确性。此外，多模态数据融合和迁移学习策略的应用也逐渐成为热点，这些方法通过结合不同类型的医学影像数据，进一步增强了模型的泛化能力和鲁棒性。这些研究不仅推动了肝脏肿瘤诊断和治疗的发展，也为其他医学影像分析任务提供了宝贵的经验和技术支持。
相关研究论文
- 1The Liver Tumor Segmentation Benchmark (LiTS)University Medical Center Hamburg-Eppendorf · 2019年
- 23D U-Net: Learning Dense Volumetric Segmentation from Sparse AnnotationUniversity of Freiburg · 2016年
- 3Automatic Liver and Tumor Segmentation of CT and MRI Volumes Using Cascaded Fully Convolutional Neural NetworksUniversity of Bern · 2017年
- 4Deep Learning Techniques for Liver Tumor SegmentationUniversity of Oxford · 2020年
- 5Liver Tumor Segmentation Using Deep Learning: A SurveyTsinghua University · 2021年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。
国家青藏高原科学数据中心 收录
MedDialog
MedDialog数据集（中文）包含了医生和患者之间的对话（中文）。它有110万个对话和400万个话语。数据还在不断增长，会有更多的对话加入。原始对话来自好大夫网。
github 收录
flames-and-smoke-datasets
该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。
github 收录
Breast Cancer Dataset
该项目专注于清理和转换一个乳腺癌数据集，该数据集最初由卢布尔雅那大学医学中心肿瘤研究所获得。目标是通过应用各种数据转换技术（如分类、编码和二值化）来创建一个可以由数据科学团队用于未来分析的精炼数据集。
github 收录
Simulation of rear wheel steering in a vehicle towing a single axle trailer with variable load distribution
This is the dataset for a publication on the stability of automotive vehicles when towing single axle trailers. The loading of the trailer is critical for stability, if the load distribution is too far back, then the trailer will begin to sway uncontrollably, dictating the track of the vehicle.In this research, small proportional control of the rear wheel steering of a larger towing vehicle is shown to be able to further stabilize the system easily, thus improving the safety margin. This is based on control measurements of the yaw angle, either directly measured or inferred from rear camera / parking sensor measurements.The simulation environment is Simulink and all scripts are included to initialise and plot the results. The work is based on the built in example "Two axle vehicle towing one axle trailer" with modifications to enable control algorithms for rear wheel steering control and variable load distribution. Reference for the original model is available at:T. M. Inc., Vehicle dynamics blockset version: 2.0 (r2023a) (2022). https://www.mathworks.comT. M. Inc., Trailer body 3dof documentation (2020). https://uk.mathworks.com/help/vdynblks/ref/trailerbody3dof.html<br>
DataCite Commons 收录