C-1CT 类数据集
title: C-1 CT 类数据集
description: 介绍 CT 类数据集
1.LIDC-IDRI（肺部CT结节数据库）
1.1.LIDC-IDRI 简介
The Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) 是一个经典的肺部结节CT影像数据库，用于肺结节的检测、良恶性判断等计算机辅助诊断研究。该数据库由多个北美研究机构和影像设备厂商合作创建，包含经过多名放射科医师标注的低剂量胸部CT扫描，是肺结节检测算法评估的标准数据集之一。
1.2.LIDC-IDRI 数据结构
数据内容与结构: 数据集收集了1018例胸部CT扫描，每例都有对应的标注文件。每个CT由多位放射科医师独立标记肺内的结节，包括结节所在位置的轮廓（边界）以及结节直径、形状特征和恶性可能等级等（标注以XML格式提供）。所有≥3 mm的结节都被标注，并附有医师对结节恶性概率的评分；对于一些<3 mm的小结节和疑似伪影，XML中也有记录但未作全面标注。通过处理这些标注，可得到每例CT中结节的像素级分割掩码及属性。
1.3.LIDC-IDRI 下载方式
数据通过癌症影像档案（TCIA）以合集形式提供，任何注册用户均可免费获取。登录TCIA网站后，在LIDC-IDRI项目页面即可按患者或影像批量下载DICOM格式的CT影像及对应的XML标注。
TCIA还提供了NBIA Data Retriever工具方便批量下载。除了官方渠道，社区也提供了镜像下载源：例如Kaggle上有用户整理的LIDC-IDRI子集，国内科研者可通过百度Aistudio的共享项目获取⭐Aistudio下载 Part1 Part2
2.LiTS（肝脏肿瘤CT分割数据集）
2.1.LiTS 简介
Liver Tumor Segmentation Benchmark (LiTS) 是用于肝脏及肝脏肿瘤自动分割任务的公开CT数据集。该数据最初于2017年在医学影像计算大会(MICCAI)的LiTS挑战赛上发布，旨在比较不同算法对CT影像中肝脏和肝内肿瘤的分割性能。目前LiTS已成为肝脏肿瘤分割领域的常用基准数据。
2.2.LiTS 数据结构
数据集包含131组腹部CT扫描的训练集，以及70组CT扫描的测试集。训练集中每例CT都由专业放射科医生手工勾画了肝脏轮廓和肝脏内肿瘤的体素级分割标注，标注以nii体积文件或mhd+raw格式提供。测试集70例CT的影像公开可下载，但其对应的肝/肿瘤标注未公开，用于线上评测模型性能（提交结果至官网评测系统）。需要注意的是，LiTS训练数据实际上已包含了早期3D-IRCADb等肝脏数据集的所有病例；因此研究中不应简单将LiTS与这些数据集混合，以免重复。同样，Medical Segmentation Decathlon挑战中的肝脏分割任务直接使用的就是LiTS的数据。总体而言，LiTS提供了丰富的肝脏肿瘤CT样本，病例来自多中心，涵盖不同肿瘤大小和CT成像质量。
2.3.LiTS 下载方式
- github：Auggen21/LITS-Challenge: Liver Tumor Segmentation Challenge
- kaggle：LITS Dataset
- Aistudio下载：LiTS肝脏/肝肿瘤分割_数据集-飞桨AI Studio星河社区
3.KiTS19（肾脏肿瘤CT分割数据集）
3.1.KiTS19 简介
Kidney Tumor Segmentation 2019 (KiTS19) 数据集是在2019年MICCAI肾脏肿瘤自动分割挑战中发布的腹部CT影像集。该数据集旨在推动肾脏及肾肿瘤的语义分割算法研发，帮助评估不同方法在检测和分割肾脏肿瘤方面的效果。KiTS19因标注精细、病例数量较多，已成为医学影像分割领域的重要公开数据资源。
3.2.KiTS19 数据结构
KiTS19收录了210例肾肿瘤患者术前的对比增强腹部CT扫描，以及对应的人工分割标注。每例CT均提供了对左右肾脏轮廓和肾脏内肿瘤的逐像素标签，由临床专家根据术后病理确认结果手工勾画。CT影像以DICOM格式发布，分辨率约在0.5–0.8mm，标注以与原CT同维的掩膜（可下载为包含多个Label的DICOM SEG文件或nii文件）。KiTS19最初划分为训练集210例（带标签）和测试集90例（仅影像无标签，用于竞赛评估），总计约300例CT数据。训练集中还提供每例患者的部分临床信息（如手术类型、术后预后等），以支持综合分析。
3.3.KiTS19 下载方式
- Data - KiTS19 - Grand Challenge
- github：neheller/kits19: The official repository of the 2019 Kidney and Kidney Tumor Segmentation Challenge
- kaggle：KITS 19 - Kidney Tumor Segmentation
- aistudio：Kits19肾脏肿瘤分割_数据集-飞桨AI Studio星河社区
4.DeepLesion（大规模 CT 病灶检测数据集）
4.1.DeepLesion 简介
DeepLesion 是 NIH 在 2018 年发布的超大规模 泛器官 CT 病灶检测数据集，来源于真实临床 PACS 系统中医生的测量记录（RECIST 直径标注）。不同于仅针对某一器官的传统数据集，DeepLesion 包含从胸腔到腹盆腔等多部位的病灶，类型多样、噪声真实，极具临床复杂性。凭借 32k+ 病灶、10k+ CT 检查、4k+ 患者 的规模，它已成为病灶检测、弱监督学习、跨器官泛化、异常筛查等任务的核心 benchmark。
4.2.DeepLesion 数据结构
数据集共包含 32,120 个病灶标注，覆盖 10,594 次 CT 检查（来自 4,427 名患者）。每个病灶提供：
- 2D bounding box（x1,y1,x2,y2）
- 所在切片号、病灶直径（RECIST）
- 对应预处理后的 512×512 PNG CT 切片
标注来自临床医生实际测量点，因此真实但可能存在轻微误差，适合研究弱监督与鲁棒学习。
此外，通过自然语言处理自动生成 8 类弱解剖标签：骨、肝、肺、淋巴结、软组织、肾脏、盆腔、其他（非严格人工标注）。
官方推荐按 患者级划分：训练集 70%，验证集 15%，测试集 15%，避免数据泄漏。
DeepLesion 的病例涵盖增强与非增强扫描，层厚、成像参数多样，真实度高，有助于开发对不同扫描条件具有泛化能力的模型。
4.3.DeepLesion 下载方式
- 官方下载：https://datasetninja.com/deep-lesion
- 官方论文（推荐引用）：Yan et al., DeepLesion: Automated Deep Mining, Categorization and Detection of Significant Radiology Image Findings, CVPR 2018.
https://arxiv.org/abs/1710.01766 - Kaggle：https://www.kaggle.com/datasets/kmader/nih-deeplesion-subset