CTVerse

CTVerse是一个大规模多期相CT数据集，包含477名患者来自112家医院，涵盖所有四个对比期相（非对比、动脉期、静脉期和延迟期）。每个扫描都标注了88个解剖结构和肿瘤，共计159,632个三维掩码。

CTVerse is a large-scale multi-phase CT dataset comprising 477 patients from 112 hospitals, covering all four contrast-enhanced phases: non-contrast, arterial phase, venous phase, and delayed phase. Each scan is annotated with 88 anatomical structures and tumors, with a total of 159,632 3D masks.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，高质量的多期相CT数据集对于推动对比度增强技术至关重要。CTVerse数据集的构建依托于来自112家医院的477名患者，每位患者均包含非对比、动脉期、静脉期及延迟期四个完整的对比阶段扫描。数据采集过程严格遵循临床协议，确保时间点的一致性。所有扫描均经过专业标注，涵盖88个解剖结构与肿瘤区域，共计生成159,632个三维掩码，为模型训练提供了丰富的解剖学监督信息。

特点

CTVerse数据集展现出多源性与高标注密度的显著特点。其数据来源于广泛分布的医疗机构，确保了样本的多样性与代表性。数据集不仅覆盖完整的四期相CT序列，还提供了精细的解剖结构标注，包括器官、血管、骨骼及肿瘤区域，为解剖感知的对比度增强研究奠定了坚实基础。这种结构化的标注体系使得数据集能够支持复杂的空间与生理关系建模，在生成任务中保持解剖结构的真实性。

使用方法

为便于研究使用，CTVerse数据集提供了清晰的访问与预处理流程。用户可通过官方脚本下载数据与标签，数据组织遵循BDMAP格式，便于集成到现有处理流程中。数据集适用于训练解剖感知的生成模型，如SMILE框架，能够从非对比期相生成其他对比阶段的图像。在使用时，需将数据整理为指定结构，并参考提供的推理脚本进行批量或单案例的对比度增强实验，输出结果将保存于预设目录中。

背景与挑战

背景概述

在医学影像分析领域，多期相CT数据的获取与标注对于提升疾病诊断的准确性与模型的泛化能力至关重要。CTVerse数据集由约翰斯·霍普金斯大学等机构的研究团队于2025年创建，旨在为解剖结构感知的CT对比度增强研究提供大规模、高质量的数据支持。该数据集汇集了来自112家医院的477名患者的多期相CT扫描，涵盖非对比、动脉期、静脉期及延迟期四个完整时相，并提供了88个解剖结构与肿瘤的三维标注，共计159,632个掩模。其核心研究问题聚焦于如何利用生成模型在保持解剖结构真实性的前提下，实现临床可靠的对比度增强，从而推动无创癌症筛查与精准医疗的发展，对医学影像人工智能领域具有显著的推动作用。

当前挑战

CTVerse数据集致力于解决医学影像中CT对比度增强的领域挑战，即如何在增强图像对比度的同时，避免过度编辑导致解剖结构失真，确保生成结果的临床可靠性。构建过程中面临多重挑战：首先，数据采集需协调多中心、多期相的CT扫描，确保影像质量与时间序列的一致性；其次，对88个解剖结构进行精细的三维标注需要专业的医学知识，标注过程耗时且易受主观差异影响；此外，数据隐私与伦理审查要求严格，增加了数据共享与使用的复杂性。这些挑战共同凸显了构建大规模、高质量医学影像数据集的艰巨性。

常用场景

经典使用场景

在医学影像分析领域，CTVerse数据集为多期相CT图像生成与增强研究提供了关键基准。该数据集包含来自112家医院的477名患者的非增强、动脉期、静脉期及延迟期四期相CT扫描，并标注了88个解剖结构与肿瘤区域，共计159,632个三维掩码。其经典使用场景集中于训练和评估解剖结构感知的生成模型，如SMILE扩散模型，这些模型能够基于非增强CT模拟出对比剂增强后的图像，同时保持器官边界的解剖学真实性。

解决学术问题

CTVerse数据集有效应对了医学影像生成中解剖结构失真与过度编辑的学术挑战。传统生成模型常因忽视器官空间与生理关系而导致图像失真，该数据集通过提供大规模、多期相且精细标注的CT数据，支持模型学习对比剂在器官中的动态摄取规律。这解决了生成图像临床可信度低的问题，推动了图像翻译任务向解剖学精准与生理学合理的方向演进，为无监督或弱监督医学图像分析奠定了数据基础。

衍生相关工作

围绕CTVerse数据集，衍生出了一系列专注于医学图像生成的经典研究工作。例如，基于该数据训练的SMILE模型在解剖感知扩散框架上实现了显著突破；同时，该数据集也促进了如CyTran等循环一致性Transformer模型在医学图像翻译领域的探索。这些工作共同推动了生成对抗网络、变分自编码器及扩散模型在医疗影像中的创新应用，为多模态影像合成与增强设立了新的性能标杆。