RADCURE

RADCURE数据集包含了跨越3,346个公开可用的头颈CT扫描的36,106个注解的可视化淋巴结。

The RADCURE dataset contains 36,106 annotated visualized lymph nodes derived from 3,346 publicly available head and neck CT scans.

原始信息汇总

LN-Seg-FM 数据集概述

数据集简介

LN-Seg-FM 数据集是用于淋巴结（LN）分割基础模型（LN-Seg-FM）的少量样本微调任务的数据集。该数据集基于nnUNetv2框架，采用动态梯度稀疏化训练方法，以平衡模型稳定性和灵活性，适用于临床应用中标注数据有限的情况。

数据集内容

• 数据集包含3,346个公开可用的头颈CT扫描，共36,106个标注可见的淋巴结（LNs）。
• 数据来源：RADCURE。
• 标注的淋巴结掩膜将在论文被接受后公开。

数据集使用

• 需要先安装nnUNetv2。
• 将自定义训练器文件 nnUNetTrainer_DGST.py 移动到nnUNetv2的训练器目录。
• 使用nnUNetv2_train命令进行模型训练，指定训练器为nnUNetTrainer_DGST。

预训练模型

• 提供了多种不同结构模型的预训练权重，包括原始nnUNet、ResEncM nnUNet、ResEncL nnUNet、SwinUNETR和SwinUNETRv2。
• 预训练模型性能指标包括Dice得分、大约训练时间和显存使用量。

训练配置

• 使用预训练权重时，需修改对应数据集的 nnUNetPlans.json 文件中的 architecture 配置。

依赖库

• 依赖库包括nnUNet、MONAI和MShub。

模型名称	Dice得分	大约训练时间（每250次迭代）	显存使用（GB）
nnUNet	81.72%	~53.8秒	~7.9 GBs
ResEncM	81.44%	~74.5秒	~8.6 GBs
ResEncL	83.55%	~203.2秒	~22.6 GBs
SwinUNETR	80.52%	~126.9秒	~15.9 GBs
SwinUNETRv2	80.97%	~131.4秒	~14.5 GBs

搜集汇总

数据集介绍

构建方式

RADCURE数据集的构建采用nnUNetv2框架，针对头颈CT扫描中的可见淋巴结进行标注，共计包含3,346个公开可用的CT扫描中36,106个已标注的可见淋巴结。该数据集的构建特别针对临床应用中标注数据有限的问题，采用动态梯度稀疏化训练方法，平衡模型稳定性与灵活性。

特点

RADCURE数据集的特点在于其丰富的标注数据，为头颈部的淋巴结分割提供了高质量的训练和评估资源。数据集采用nnUNetv2框架，支持多种模型结构的预训练权重，包括nnUNet、ResEncM、ResEncL、SwinUNETR和SwinUNETRv2等，适用于不同的计算资源和性能需求。此外，数据集提供的预训练模型在内部验证中表现出良好的Dice得分，显示出模型的有效性。

使用方法

使用RADCURE数据集首先需要安装nnUNetv2，并按照指定步骤将自定义训练器文件转移到nnUNetv2的训练目录中。随后，可以通过nnUNetv2_train命令指定训练器进行模型训练。对于预训练模型，需调整`nnUNetPlans.json`文件中的`architecture`字段以匹配预训练模型的结构，然后使用`-pretrained_weights`参数进行训练。

背景与挑战

背景概述

RADCURE数据集是一项重要的医学图像分割资源，其涵盖了3,346个公开可用的头颈CT扫描中的36,106个注解可见淋巴结。该数据集的支持下，研究人员Luo Zihao等人于2025年提出了一种名为LN-Seg-FM的淋巴结分割基础模型，该模型通过nnUNetv2框架进行实现。该研究旨在解决临床应用中因标注数据有限而导致的模型稳定性和灵活性平衡问题，对医学图像处理领域具有显著影响。

当前挑战

该数据集在构建和应用过程中面临的挑战主要包括：一是如何在有限标注数据的情况下，进行少量样本的精细调整以提升淋巴结分割模型的性能；二是如何在保证模型稳定性的同时，增强其适应不同临床场景的灵活性。此外，数据集的构建还涉及到了庞大的数据处理和模型训练挑战，包括高效的数据加载、大规模模型的计算资源需求以及优化算法的开发等。

常用场景

经典使用场景

RADCURE数据集在医学图像分割领域，尤其是在头颈CT扫描中淋巴节点的精确分割任务中，被广泛采用。其经典的使用场景在于为nnUNetv2框架下的淋巴节点分割基础模型（LN-Seg-FM）提供训练与评估所需的高质量注释数据，从而促进该模型在少量样本条件下的微调与优化。

实际应用

在实际应用中，基于RADCURE数据集训练的模型能够辅助医生更精确地识别和分割CT影像中的淋巴节点，这对于癌症的早期发现、病情评估以及治疗效果的跟踪具有重要意义。此外，该数据集的应用有助于减少对大量注释数据的依赖，降低临床诊断的劳动强度。

衍生相关工作

RADCURE数据集衍生了多项相关工作，如基于不同网络架构的淋巴节点分割模型，包括原始nnUNet、ResEncM nnUNet、ResEncL nnUNet以及SwinUNETR和SwinUNETRv2等。这些衍生工作进一步扩展了数据集的应用范围，推动了医学图像分割领域的技术进步。