纵向听神经瘤数据集

本数据集包含来自英国东南部超过15个医疗机构的单侧散发性听神经瘤患者的纵向MRI扫描。该数据集由226名患者组成，其中184名患者的534张纵向对比增强T1加权（T1CE）扫描图像被标注了肿瘤，还有6名患者的非标注T2加权扫描图像。数据集来源于一个基于深度学习的迭代分割和质量改进框架，并结合了来自多个中心的数据。该数据集公开可访问于癌症影像档案（TCIA）

This dataset contains longitudinal MRI scans of patients with unilateral sporadic vestibular schwannomas, recruited from over 15 medical institutions in southeast England. It includes a total of 226 patients: 534 longitudinal contrast-enhanced T1-weighted (T1CE) scans from 184 of these patients have been annotated with tumor regions, alongside unannotated T2-weighted scans from 6 additional patients. The dataset was constructed using a deep learning-based iterative segmentation and quality improvement framework, and integrates data from multiple clinical centers. It is publicly accessible via The Cancer Imaging Archive (TCIA).

搜集汇总

数据集介绍

构建方式

该数据集的构建采用了基于深度学习的迭代优化框架，通过整合多中心MRI影像数据，结合专家共识机制实现高质量标注。具体流程包括：利用3D nnUNet模型进行初始自动分割，通过多轮引导训练逐步提升模型精度；每轮生成的分割结果由三名独立专家进行质量评估，分类为接受、拒绝或需讨论案例；争议案例通过共识会议审定，最终由神经放射学专家复核复杂病例。整个过程融合了自动化分割与人工校正，在保证标注准确性的同时将效率提升了37.4%。

使用方法

研究者可通过癌症影像档案馆获取该数据集的NIfTI格式影像及对应分割掩码。使用时应依据命名规范识别扫描类型与标注文件，其中T1CE序列包含肿瘤分割标注，T2序列仅提供原始影像。建议将数据集划分为训练、验证与测试子集时保持机构来源的多样性，以评估模型跨中心泛化能力。对于临床验证研究，可结合提供的专家评估标准（如血管误分割、肿瘤局部遗漏等判据）进行定性分析，辅以Dice系数等量化指标全面评估分割性能。

背景与挑战

背景概述

纵向听神经瘤数据集由伦敦国王学院生物医学工程与影像科学学院联合多家医疗机构于2025年创建，聚焦于磁共振成像中前庭神经鞘瘤的精准分割问题。该数据集整合了多中心临床影像数据，通过人机协同标注框架构建包含534次纵向对比增强T1加权扫描的标注资源，旨在解决医学影像分析中肿瘤体积测量的关键临床需求。其创新性体现在采用共识驱动的人工智能迭代优化机制，显著提升了模型在复杂临床场景中的泛化能力，为听神经瘤生长监测与治疗决策提供了重要数据基础。

当前挑战

该数据集致力于攻克听神经瘤影像分割中的三大核心难题：首先是肿瘤形态异质性带来的分割精度挑战，囊变区域与微小病灶的边界模糊性导致传统模型易出现欠分割或过分割现象；其次多中心数据异构性构成泛化瓶颈，不同扫描设备与成像参数引发域适应问题；最后标注过程面临临床复杂性制约，共病肿瘤与术后病变需依赖多轮专家共识机制，其人工校正成本与模型性能平衡成为关键制约因素。

常用场景

经典使用场景

在听神经瘤的临床研究中，纵向听神经瘤数据集被广泛应用于深度学习模型的训练与验证，特别是针对MRI影像中肿瘤的自动分割任务。该数据集通过多轮专家共识标注与模型自举优化，显著提升了分割精度，为医学影像分析提供了可靠的数据基础。其经典应用场景包括模型在异构多中心数据上的泛化能力测试，以及针对复杂病例如囊性变或术后残留肿瘤的精细分割研究。

解决学术问题

该数据集有效解决了医学影像分析中标注一致性与模型泛化性的核心难题。通过整合多中心异构数据与人类专家循环标注机制，显著降低了不同扫描协议和设备差异对分割性能的影响。其标注流程有效控制了肿瘤体积测量中的观察者间变异，为小肿瘤生长评估提供了标准化依据，推动了深度学习在神经肿瘤定量分析中的可重复性研究。

实际应用

在临床实践中，该数据集支撑的自动化分割系统已应用于听神经瘤的长期随访管理。通过快速生成高精度肿瘤体积测量，辅助医生评估肿瘤生长趋势，优化手术或放射治疗决策。其人类参与循环机制特别适用于处理复杂病例，如合并其他肿瘤的影像，在保证诊断准确性的同时将标注效率提升约37.4%，为临床工作流注入智能化支持。

数据集最近研究

最新研究方向

在听神经瘤影像分析领域，纵向听神经瘤数据集正推动人机协同标注范式的革新。该数据集通过整合多中心临床数据与基于共识的专家循环验证机制，构建了包含534次纵向增强T1加权扫描的标注资源，其核心突破在于采用三重迭代框架：基于3D nnUNet的自举式分割模型训练、多轮专家质量评估与修正、跨数据集泛化验证。这一策略使模型在内部验证集上的Dice相似系数从0.9125提升至0.9670，同时将标注效率提升37.4%，显著缓解了医学影像标注中因肿瘤体积差异、多病理共存等复杂场景导致的模型泛化瓶颈。当前研究热点聚焦于将此类人机协同框架与实时临床工作流深度融合，以应对不同MRI设备与成像协议带来的域适应挑战，为听神经瘤精准诊疗提供可扩展的自动化解决方案。

相关研究论文

• Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations

  伦敦大学国王学院生物医学工程与影像科学学院,伦敦大学国王学院医院NHS基金会信托,利物浦沃尔顿中心NHS基金会信托 · 2025年