LiTS2017数据集介绍、下载与预处理

目录

LiTS - Liver Tumor Segmentation Challenge数据集概况

数据集下载

如何查看数据集?

数据集预处理、使用与转格式


LiTS - Liver Tumor Segmentation Challenge数据集概况

参考:

[1] LiTS 数据集介绍 - 知乎 (zhihu.com)

[2]The Liver Tumor Segmentation Benchmark (LiTS)

[3] linhandev/dataset: 医学影像数据集列表 『An Index for Medical Imaging Datasets』 (github.com)

LiTS (The Liver Tumor Segmentation Benchmark) 是专注于肝脏及其肿瘤分割CT 数据集。该数据集收集了 7 个不同医学中心的数据,包含 131 例训练集70 例测试集,其中测试数据标签不公开。LiTS训练集中包含3DIRCADB中的所有数据,所以不要合并这两个数据集。

基于该数据集,已在 ISBI 2017,MICCAI 2017 和 MICCAI 2018 都成功举办了相关竞赛,并被 MSD (Medical Segmentation Decathlon) 收作 Task03 子任务。

  • 数据集基本信息
维度 模态 任务类型 解剖结构 类别数 数据量 文件格式
3D CT 分割 肝脏/肝脏肿瘤 2

131训练集(含标注)

70测试集(不含标注)

.nii

总切片个数: 58638 (基于训练集 131 张统计)

  • 图像尺寸统计
spacing/mm size
min (0.5566, 0.5566, 0.7000) (512, 512, 74)
median (0.7676, 0.7676, 1) (512, 512, 432)
max (1, 1, 5) (512, 512, 987)
  • 标注信息统计
肝脏 肝脏肿瘤
出现次数 131 118
出现占比 100% 90.08%
最大体积/cm^{^{3}} 3194.77 987.66
最小体积/cm^{^{3}} 541.79 0.04
中位数体积/cm^{^{3}} 1586.49 16.11

数据集下载

官网:

<think>好的,我需要帮助用户找到关于LiTS数据集的信息或下载链接,特别是用于医学图像分割的。首先,用户提到的LiTS数据集,我应该先回忆一下自己了解的信息。LiTS全称是Liver Tumor Segmentation Challenge,应该是一个用于肝脏和肝脏肿瘤分割的公开数据集。不过,我需要确认其官方网站或者常见的发布平台,比如Medical Image Computing and Computer Assisted Intervention (MICCAI)会议的相关资源。 根据用户提供的引用内容,特别是引用[1]中提到LiTS使用CT图像,说明LiTS数据集是基于CT模态的,这可能帮助用户在搜索时明确关键词。另外,引用[2]中提到的dataset.json结构,可能是指nnUNet框架处理数据集时的格式,但用户现在需要的是原始数据集的获取方式。 接下来,我需要检查是否有公开的下载链接。通常,这类挑战赛的数据集可能需要在官方网站注册或申请,然后才能下载。比如,LiTS可能在MICCAI的某个挑战赛页面上提供下载,或者通过第三方平台如Zenodo、The Cancer Imaging Archive (TCIA)等。 我需要确保提供的信息准确,所以应该列出可能的来源,并提示用户可能需要注册或遵守数据使用协议。同时,引用用户提供的参考内容,如引用[1]中提到的LiTS数据集使用CT图像,可以结合这点说明数据集的结构和应用场景。 另外,用户可能想知道数据集的基本信息,比如包含多少病例、图像格式、标注情况等。根据常见信息,LiTS数据集通常包含130个CT扫描,分为训练集和测试集,训练集有标签,测试集标签不公开用于挑战赛评估。 最后,我需要建议用户如何进一步处理数据,比如使用nnUNet框架时如何准备数据集,引用中的dataset.json文件可能此相关,可以提及这一点。同时,提醒用户注意数据使用许可和引用要求,确保合法合规。</think>### LiTS数据集信息获取方式 LiTS(Liver Tumor Segmentation Challenge)是医学图像分割领域广泛使用的公开数据集,主要用于肝脏及肝脏肿瘤的CT图像分割研究。以下是关键信息: 1. **数据集基本信息** - **模态**:3D CT图像(引用[1]提到LiTS仅使用CT图像)[^1] - **标注内容**:肝脏和肝脏肿瘤的掩膜标签 - **数据规模**:共130个病例(训练集131个切片,测试集70个切片) - **文件格式**:NIfTI格式(.nii.gz),包含图像和标签文件 2. **官方下载渠道** - **挑战赛页面**:通过MICCAI 2017 LiTS官网申请 - 链接:https://competitions.codalab.org/competitions/17094 - **镜像平台**:部分数据可从以下平台获取 - **TCIA**:https://www.cancerimagingarchive.net/collections/ - **Zenodo**:https://zenodo.org/record/1169361 3. **数据预处理建议** 若使用nnUNet框架(引用[2][3][4]相关),需按以下结构组织数据: ```bash DatasetXXX_LiTS/ ├── imagesTr/ # 训练图像 (例: case_0000.nii.gz) ├── labelsTr/ # 训练标签 ├── imagesTs/ # 测试图像 └── dataset.json # 元数据文件(需包含modality、labels等字段) ``` 参考引用[2]的`dataset.json`示例,LiTS应配置为: ```json { "modality": 0, # CT模态标识 "labels": {"0": "背景", "1": "肝脏", "2": "肿瘤"} } ``` 4. **注意事项** - 需签署数据使用协议(如TCIA的数据访问协议) - 部分测试集标签不公开,需通过官网提交预测结果获取评估 - 推荐使用GPU加速训练(引用[1]建议搭配6核CPU以处理CT数据)
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值