RPLHR-CT

RPLHR-CT数据集是由Infervision Medical Technology Co., Ltd.创建的，包含250对来自患者的胸部CT扫描数据，旨在解决医学影像中因低穿透平面分辨率导致的诊断难题。数据集包括薄层CT（1mm切片厚度）和厚层CT（5mm切片厚度），均以NIFTI格式存储，用于体积超分辨率研究。创建过程中，数据经过匿名化处理以保护隐私。该数据集主要应用于深度学习方法，特别是基于Transformer的体积超分辨率网络，以提高医学影像的分辨率和诊断准确性。

The RPLHR-CT dataset was created by Infervision Medical Technology Co., Ltd. It comprises 250 pairs of chest CT scan data from patients, targeting the resolution of diagnostic challenges in medical imaging induced by low through-plane spatial resolution. The dataset includes both thin-slice CT scans (1 mm slice thickness) and thick-slice CT scans (5 mm slice thickness), all stored in the NIFTI format for volumetric super-resolution research. All patient data was anonymized during the dataset creation process to protect privacy. This dataset is primarily applied to deep learning methods, especially Transformer-based volumetric super-resolution networks, to enhance the resolution of medical images and improve diagnostic accuracy.

搜集汇总

数据集介绍

构建方式

在临床实践中，各向异性的低层间分辨率CT图像虽因采集时间短、存储成本低而被广泛使用，却给医学诊断带来挑战。为填补真实配对数据集的空白，RPLHR-CT数据集应运而生。该数据集由250例患者的胸部CT配对图像构成，所有数据均经过匿名化处理以确保隐私。具体而言，使用Philips扫描仪获取原始数据后，分别重建为层厚1mm的薄层CT（高分辨率）和层厚5mm的厚层CT（低分辨率），从而形成层间上采样因子为5的真实配对体积超分辨率任务。CT图像以NIFTI格式存储，切片尺寸为512×512，薄层CT的切片数介于191至396之间，厚层CT介于39至80之间，且二者面内分辨率一致并依据空间位置对齐。数据集被随机划分为100对训练、50对验证和100对测试样本，为评估提供了坚实基础。

特点

RPLHR-CT数据集的核心特点在于其真实配对性，克服了传统方法使用伪低分辨率体积进行训练和评估导致的域间隙问题。该数据集首次作为体积超分辨率的公开基准，支持多种方法的客观比较。通过分析薄层与厚层CT中切片对的空间关系（匹配、邻近、远离），发现匹配切片对的相似性最高，而随着空间距离增大，相似性显著下降，这揭示了数据的内在结构。此外，数据集涵盖的切片厚度差异（1mm vs 5mm）和上采样因子（5倍）使其成为挑战性任务，适用于评估算法在真实临床场景中的性能。数据与代码已开源，促进了研究的可重复性和社区发展。

使用方法

使用RPLHR-CT数据集时，需将CT图像强度从[-1024, 2048]归一化至[0, 1]区间。训练阶段，从厚层CT中裁剪4×256×256的立方体作为输入，对应薄层CT中16×256×256的立方体作为真值，其中16=(4-1)×5+1。推理时，采用滑动窗口方式处理厚层CT立方体，深度维度重叠设为1，其余维度无重叠；若深度不足4，则取最后4个切片输入，对同一坐标的多重预测取平均值作为最终结果。推荐的基线方法包括重新实现的四种基于CNN的先进算法（如ResVox、MPU-Net、SAINT和DA-VSR），以及提出的Transformer体积超分辨率网络（TVSRN）。评估指标采用峰值信噪比（PSNR）和结构相似性（SSIM），并使用单侧Wilcoxon符号秩检验进行显著性分析。

背景与挑战

背景概述

在临床实践中，计算机断层扫描（CT）等三维医学影像常因采集时间与存储成本的限制而采用各向异性体积数据，即面内分辨率高而层间分辨率低。这种分辨率差异不仅妨碍了矢状面与冠状面的精细显示，也削弱了病灶细节的观察能力，并对三维医学图像处理算法的鲁棒性构成挑战。为应对这一问题，基于深度学习的体积超分辨率技术应运而生，然而现有方法多依赖于卷积神经网络，其固有局限性——如忽视内容相关性及难以建模长程依赖——制约了性能提升。2022年，由Infervision Medical Technology与加州大学洛杉矶分校的研究团队联合构建的RPLHR-CT数据集应运而生，该数据集包含250例患者的真实配对薄层（1mm）与厚层（5mm）胸部CT影像，首次为体积超分辨率提供了公开基准，推动了该领域的方法比较与评估标准化。

当前挑战

RPLHR-CT数据集所面临的核心挑战涵盖领域问题与构建过程两方面。在领域问题层面，传统体积超分辨率方法多采用伪配对数据训练，即通过简单降质从高分辨率体积生成低分辨率体积，然而伪低分辨率与真实低分辨率体积之间存在显著的域差异，导致模型在实际应用中性能急剧下降。此外，基于卷积神经网络的方法受限于卷积算子的局部处理原则，难以有效捕捉跨层间的长程依赖与内容相关性，从而限制了重建图像的质量。在构建过程中，数据集需确保薄层与厚层CT影像在空间位置上的精确对齐，并克服不同患者间扫描参数与解剖结构的变异，同时处理数据匿名化与隐私保护问题。这些挑战共同构成了推动体积超分辨率技术从实验室走向临床实践的关键障碍。

常用场景

经典使用场景

在医学影像分析领域，各向异性体素数据广泛存在，临床常采用低层间分辨率（如5mm层厚）的CT扫描以缩短采集时间并降低存储成本。RPLHR-CT数据集作为首个公开的真实配对CT体素超分辨率基准，提供了250例患者的薄层（1mm）与厚层（5mm）CT配对图像，为从低分辨率厚层CT恢复高分辨率薄层CT的体素超分辨率任务奠定了标准化评估基础。该数据集被用于训练和测试基于深度学习（尤其是Transformer架构）的超分辨率网络，通过5倍深度上采样实现各向同性体素重建，从而解决临床中因层间分辨率不足导致的冠状面或矢状面细节缺失问题。

衍生相关工作

RPLHR-CT的发布催生了多项创新性研究工作：首先，基于该数据集，研究者提出了TVSRN网络，其非对称编码器-解码器架构融合了掩码建模思想（受MAE启发），并通过穿层注意力模块（TAB）从冠状面和矢状面两个视角挖掘体素间的空间位置关系。其次，该数据集被用作基准来重新实现四种经典CNN方法（ResVox、MPU-Net、SAINT、DA-VSR），系统比较了不同架构在参数量、推理速度与重建质量间的权衡。此外，后续工作探索了基于该数据集的半监督学习范式，利用未配对真实数据进一步缩小域差距，以及将TVSRN的注意力机制迁移至MRI体素超分辨率任务中，验证了Transformer在跨模态体素重建中的通用性。

数据集最近研究

最新研究方向

在医学影像体积超分辨率领域，RPLHR-CT数据集的开创性贡献在于打破了长期以来依赖伪配对数据训练的局限，首次提供了真实配对的高低分辨率CT扫描基准。该数据集聚焦于临床实践中常见的各向异性体积图像问题，即层间分辨率不足对诊断精度和计算机辅助算法鲁棒性的制约。前沿研究方向已从传统的卷积神经网络转向基于Transformer的纯注意力机制架构，如TVSRN网络，其通过自注意力机制有效建模长距离依赖关系，并利用穿层注意力模块挖掘体积数据中切片间的空间位置关联。这一转变不仅显著提升了峰值信噪比和结构相似性指标，更在参数效率与运行时间之间实现了更优权衡，为医学影像超分辨率从实验室模拟场景迈向真实临床部署提供了关键数据支撑与技术路径。

相关研究论文

• RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans

  Infervision Medical Technology Co., Ltd. 北京，中国 · 2022年