LesiOnTime

LesiOnTime数据集由奥地利维也纳医科大学计算成像研究实验室创建，包含155个高危险患者的研究，每个研究包括术前和至少三个术后T1加权体积，空间分辨率分别为48x384x384或80x512x512，病变体积中位数为800 mm³。该数据集旨在解决乳腺癌早期检测中，对小病变准确分割的挑战，特别是在动态对比增强磁共振成像（DCE-MRI）中。数据集包含由专家放射科医生进行的手动像素级病变注释，以及所有访问的BI-RADS评分，为纵向病变分析提供了丰富的临床信息。数据集被随机分为开发集和独立测试集，用于模型的训练和评估。

The LesiOnTime dataset was created by the Computational Imaging Research Laboratory of the Medical University of Vienna, Austria. It encompasses 155 studies of high-risk patients, each consisting of pre-operative and at least three post-operative T1-weighted volumes with spatial resolutions of 48×384×384 or 80×512×512, respectively. The median lesion volume is 800 mm³. This dataset aims to address the challenge of accurate segmentation of small lesions in early breast cancer detection, particularly in dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI). The dataset includes manual pixel-level lesion annotations performed by expert radiologists, as well as all available BI-RADS scores, providing rich clinical information for longitudinal lesion analysis. The dataset is randomly split into a development set and a hold-out test set for model training and evaluation.

搜集汇总

数据集介绍

构建方式

LesiOnTime数据集的构建基于高分辨率乳腺动态对比增强磁共振成像（DCE-MRI）技术，专门针对高风险患者群体。数据集包含155项研究，每项研究均包含至少三个时间点的纵向扫描数据，时间间隔为6至24个月，确保数据的时序连续性。所有影像数据均经过专业放射科医师手动标注，标注工作使用ITK-SNAP软件完成，确保标注的精确性和一致性。数据预处理包括刚性及非线性配准、体素重采样至统一空间分辨率（0.7mm × 0.7mm × 2mm），并通过乳腺组织分割算法排除胸廓结构干扰。

特点

LesiOnTime数据集的核心特点在于其融合了多时间点影像数据与临床BI-RADS评分，为小病灶（中位体积800mm³）的早期检测提供了独特的研究平台。数据集涵盖BI-RADS 4/5级病例，包含弥散型非肿块强化等临床挑战性病灶，并记录了放射科医师的纵向评估结果。其创新性体现在：1）无需既往时间点的病灶标注即可建模时序特征；2）通过注意力机制动态加权不同时间点的影像贡献；3）首次将BI-RADS评分作为潜在空间对齐的约束条件，实现了影像特征与临床认知的深度融合。

使用方法

该数据集适用于开发具有临床解释性的纵向病灶分割模型。使用时需将当前扫描与既往扫描配对输入，通过双编码器架构提取时空特征。Temporal Prior Attention（TPA）模块自动学习时间点间的关联权重，而BI-RADS Consistency Regularization（BCR）损失函数则确保特征空间符合临床进展规律。典型流程包括：1）数据配准与ROI提取；2）多尺度3D卷积特征提取；3）TPA模块的跨时间点特征调制；4）结合Dice损失与BCR损失的联合优化。该框架可迁移至其他需结合时序影像与临床评估的医学图像分析任务。

背景与挑战

背景概述

LesiOnTime数据集由维也纳医科大学计算成像研究实验室的Mohammed Kamran等学者于2025年提出，专注于纵向动态对比增强乳腺MRI（DCE-MRI）中小病灶的精准分割。该数据集旨在解决乳腺癌早期筛查中的核心难题——如何在低对比度、高噪声的影像中识别微小病灶（中位体积仅800mm³），同时整合临床BI-RADS评分等时序信息以模拟放射科医师的诊断逻辑。作为首个系统性融合纵向影像与临床评估的乳腺数据集，其创新性体现在Temporal Prior Attention机制和BI-RADS Consistency Regularization损失函数的设计，显著提升了小病灶分割的Dice系数达5%，为高风险人群的早期癌症检测提供了重要技术支撑。

当前挑战

该数据集面临双重挑战：在领域问题层面，乳腺DCE-MRI中微小病灶的异质性增强模式、与正常腺体背景的相似性（尤其绝经前女性的BPE干扰），以及放射科医师标注的主观差异性，导致传统单时间点模型难以稳定识别早期病变；在构建层面，纵向数据需解决跨时相影像配准误差、病灶形态动态演变导致的标注不一致性，以及临床BI-RADS评分与影像特征的语义对齐问题。此外，数据集规模受限（仅155例）且缺乏公开多中心验证，对模型泛化性提出严峻考验。

常用场景

经典使用场景

LesiOnTime数据集在乳腺动态对比增强磁共振成像（DCE-MRI）领域具有重要的应用价值，尤其在早期乳腺癌筛查中。该数据集通过整合纵向影像数据和临床BI-RADS评分，为深度学习模型提供了丰富的上下文信息。其经典使用场景包括对高风险患者的小病灶进行精确分割，帮助识别那些在单时间点影像中难以察觉的微小或早期病变。

衍生相关工作

基于LesiOnTime数据集的研究工作已经衍生出多个重要方向。在方法学层面，其TPA机制启发了时序医学影像分析的新型注意力架构设计。临床应用方面，该数据集支持了乳腺癌进展预测模型的开发。此外，其数据采集和标注规范为后续乳腺影像数据库的建立提供了参考标准，推动了领域内数据共享和算法比较研究的发展。

数据集最近研究

最新研究方向

在乳腺癌早期筛查领域，LesiOnTime数据集通过整合纵向动态对比增强磁共振成像（DCE-MRI）与临床BI-RADS评分，开创了小病灶分割的新范式。其核心创新在于时序先验注意力机制（TPA）和BI-RADS一致性正则化（BCR）的协同设计，使得模型能够模拟放射科医师的纵向诊断思维。当前研究热点集中在多模态时序特征融合、小样本学习下的泛化能力提升，以及基于影像组学的恶性风险预测模型构建。该数据集为解决高敏感性与低假阳性率之间的临床权衡提供了量化基准，其发布的代码框架正推动着医疗AI社区向可解释性纵向分析方向发展。

相关研究论文

• LesiOnTime -- Joint Temporal and Clinical Modeling for Small Breast Lesion Segmentation in Longitudinal DCE-MRI

  奥地利维也纳医科大学计算成像研究实验室 · 2025年