Large-scale longitudinal intra-patient thorax-abdomen-pelvis CT scan pairs dataset

TotalRegistrator数据集是一个大规模的纵向患者全身体部CT扫描对数据集，包含695个来自不同时间点的个体患者的全身（胸腹部盆腔）成对CT扫描。该数据集用于训练和评估TotalRegistrator模型，该模型能够使用标准的UNet架构和新的场分解策略同时配准多个解剖区域。TotalRegistrator模型轻量级，仅需要11GB的GPU内存进行训练。

The TotalRegistrator dataset is a large-scale longitudinal paired whole-body (thoracic-abdominal-pelvic) CT scan dataset, consisting of 695 sets of paired whole-body CT scans acquired at different time points from distinct individual patients. This dataset is utilized for training and evaluating the TotalRegistrator model, which can simultaneously register multiple anatomical regions via a standard UNet architecture and a novel field decomposition strategy. The TotalRegistrator model is lightweight, requiring only 11 GB of GPU memory for training.

搜集汇总

数据集介绍

构建方式

该数据集通过回顾性收集来自Radboud大学医学中心2011至2021年间695对患者全身CT扫描构建而成，每对扫描包含同一患者在不同时间点的胸腹盆区域影像。数据经过严格筛选确保年龄（17-87岁）、性别（57%男性）及扫描设备（佳能、GE、飞利浦、西门子）的多样性，并统一处理为128×96×160分辨率，强度值标准化至[0,1]范围。预处理阶段采用TotalSegmentator工具生成13个解剖结构的粗标注，后经8名医学专家手动精修测试集标注，确保数据质量。

特点

数据集覆盖胸、腹、盆三大解剖区域，包含肺、心脏、肝脏等12个标注器官及骨骼结构，同时囊括术后效应、解剖异常和疾病进展三类病理特征。其独特之处在于：1) 纵向成对设计支持时间序列分析；2) 多厂商设备采集增强泛化性；3) 0.8-4mm层厚差异模拟真实临床场景；4) 104例测试集含专家精修标注，为评估提供可靠基准。数据多样性体现在47%病例含癌症治疗痕迹，如肾脏切除、脊柱融合等术后特征。

使用方法

该数据集专为训练和评估多器官CT配准模型设计，支持以下应用：1) 输入固定-移动图像对至配准网络（如TotalRegistrator），通过互信息损失和Dice损失优化变形场；2) 测试阶段可计算配准后器官Dice系数及折叠百分比；3) 支持跨中心验证，已成功用于Learn2Reg挑战赛数据集（AbdomenCTCT/NLST）的泛化性测试。研究者需注意分层抽样以平衡扫描参数，并建议采用五折交叉验证确保结果稳健性。

背景与挑战

背景概述

Large-scale longitudinal intra-patient thorax-abdomen-pelvis CT scan pairs dataset是由Radboud大学医学中心等机构于2025年提出的医学影像配准专用数据集。该数据集包含695对来自同一患者不同时间点的全身CT扫描图像，覆盖胸腹盆三大解剖区域，旨在解决多器官联合配准这一临床难题。作为TotalRegistrator轻量级基础模型的训练基准，该数据集通过精心设计的标注流程（结合TotalSegmentator自动标注与放射科专家人工修正）实现了12个解剖结构的精确标注，显著提升了模型在癌症治疗随访、手术导航等临床应用中的性能表现。

当前挑战

该数据集面临的核心挑战体现在两个方面：在领域问题层面，全身多器官CT配准需要同时处理不同器官（如肝脏与胰腺）在形态、尺寸和运动模式上的显著差异，这对传统单器官配准方法提出了严峻挑战；在构建过程层面，数据集需克服纵向影像间解剖结构变异（如术后改变、肿瘤进展）、不同扫描设备带来的技术差异，以及小器官（如胆囊）标注精度控制等难题。此外，如何平衡计算效率与配准精度，在标准GPU上实现多器官联合配准，也是模型开发过程中的关键挑战。

常用场景

经典使用场景

Large-scale longitudinal intra-patient thorax-abdomen-pelvis CT scan pairs dataset在医学影像分析领域具有广泛的应用价值，尤其在癌症治疗流程中扮演关键角色。该数据集最经典的使用场景包括治疗计划制定、图像引导干预以及治疗随访。通过纵向配准，医生能够准确评估病灶随时间的变化，为个性化治疗提供数据支持。数据集覆盖胸腹盆三大解剖区域，为多器官同时配准研究提供了独特资源，弥补了传统单器官配准方法的局限性。

解决学术问题

该数据集有效解决了医学影像配准领域的若干关键学术问题。首先，它突破了单器官配准模型的局限性，为开发通用型配准算法提供了数据基础。其次，通过包含695组全身体CT扫描对，解决了深度学习模型训练中数据不足的难题。更重要的是，数据集包含不同时间点的扫描，为研究器官形变规律和病理变化提供了独特视角。这些特性使得TotalRegistrator等新型配准框架能够实现跨解剖区域的精准对齐，推动医学影像分析领域的技术革新。

衍生相关工作

基于该数据集衍生的经典工作包括TotalRegistrator配准框架及其创新的场分解策略。这一工作启发了后续多项研究，如uniGradICON基础模型和CMAN级联网络等。数据集还被用于验证VoxelMorph等无监督学习算法的泛化能力。在方法学层面，该数据集推动了解剖结构感知的配准损失函数设计，以及轻量化模型架构的探索。相关成果已辐射到Learn2Reg挑战赛等多个国际学术平台，成为医学影像配准领域的重要基准。