信息速览

数据集名称3D Mammogram Dataset — 数字乳腺断层摄影（DBT）开放标注库

数据类型人工标注,影像数据,原始数据

规模558 例女性患者（558 个 DBT 检查；每例双侧 CC+MLO 至少 4 个三维体数据）

接入方式美国中西部单一医院 DBT 筛查 DICOM 检查（每 view 一个压缩 DICOM 三维体文件）+ 专家分割与病灶框标注 JSON + 活检病理结果（四组 271/140/115/32）+ 自由文本放射报告（OCR+NLP+LLM 去标识）+ 人口学与 BI-RADS CSV

AI 就绪度

INFOBOX — 3D Mammogram Dataset 一屏速览

维度内容

本质 iMerit × Segmed × Advocate Health 联合发布的开放标注 DBT（数字乳腺断层摄影/3D 乳腺 X 线）数据集，preprint 内部名 DBT-2026

规模 558 例患者 / 558 个 DBT 筛查检查（讨论章节另有 1,110 口径，存照）；每例双侧 CC+MLO 至少 4 个三维体数据

四组 A 271 活检证实恶性（48.6%）／B 140 良性／C 115 非癌召回／D 32 活检证实良性；聚合口径 271 恶性 vs 287 良性

人群全女性、≥18 岁、平均年龄 57.5±11.1 岁；BI-RADS 0/1/2；平均病灶 1.34 cm、约 85% 病灶 <2 cm

标注印度资深乳腺放射医师分割/定位/表征/测量 → Doer–Checker 两步复核 → 美国 MQSA 认证医师终审

文本去标识自由文本放射报告（OCR+NLP+LLM 去 18 类 HIPAA PHI + 人工复核）

格式压缩 DICOM（1 view=1 文件=1 个 3D 体）+ NRRD + 结构化 JSON + metadata.xlsx + CSV

获取 全量走 Segmed 表单（注册+credentialing+DUA，逐案审核）；HuggingFace 有 650 MB 样本包（iMerit/3D-MammographyDataset）

许可 Segmed–iMerit Joint Research Use Agreement：非商业研究专用，禁再分发、禁再识别、禁临床决策；版权归作者与 Segmed

论文 medRxiv preprint，doi:10.64898/2026.03.03.25337924（2026-03，Wu J 等 7 人）

定位 DBT 公开数据集中活检 ground truth 密度最高（恶性 48.6%）的小而精标注库；对标 Duke BCS-DBT（5,060 患者）的大而全

库内互链 VinDr-Mammo(543)、CBIS-DDSM(541)、INbreast(542)、BCDR(800)、MIAS(801)

3D Mammogram Dataset 是一个"把 3D 乳腺 X 线的稀缺标注一次配齐"的数据集工程：它不追求数量上的庞大，而是把 558 个数字乳腺断层摄影（Digital Breast Tomosynthesis，DBT，俗称 3D 钼靶）筛查检查打包成一个「三维体数据 + 专家分割标注 + 活检病理金标准 + 自由文本放射报告」四合一的库。它最锋利的一点是恶性密度——271 例（48.6%）经活检病理证实为恶性，这直接回应了公开 DBT 数据集长期"良性扎堆、恶性稀缺、金标准稀薄"的老问题。

导语读法三则：

只想下数据：直奔 §5 获取与许可——注意全量必须走 Segmed 表单（注册+DUA），HuggingFace 上那份 650 MB 只是样本包，别当成全量（坑 2）。
关心标注质量：直奔 §3 标注流水线——Doer–Checker 双步复核加 MQSA 认证医师终审的完整链条，以及它没有公开基准模型这件事（§6）。
做影像-报告多模态：直奔 §2 与 §4——报告文本、四组临床分组与 BI-RADS 元数据的组合方式，决定了它能支撑哪些研究设计。

§0 导读：这个数据集解决什么问题

乳腺癌筛查是放射科最日常也最庞大的任务：全球每年超过 3,900 万人次接受乳腺影像检查，是 AI 医学影像研究最拥挤的赛道之一。传统 2D 数字乳腺 X 线摄影（digital mammography）有一个结构性弱点——腺体组织在二维投影里层层重叠，致密乳腺里的病灶容易被遮住。DBT 的解法是让球管在有限弧度内采集多个低剂量角度的投影，再重建出准三维的薄层切片：组织重叠被拆开，病灶的可见性、表征能力和定位精度都随之提升。STORM、Skaane、Friedewald、Rafferty、McDonald 等一系列人群级临床试验已经证明：DBT 能提高浸润性癌检出率，同时降低假阳性召回率——这也是它近年在全球筛查与诊断场景加速普及的原因。

但 AI 研究者面对的公开 DBT 数据集供给，和临床热度严重不匹配。DBT-2026 preprint 开宗明义：大多数公开 DBT 数据集的恶性患者数都偏低（“relatively low numbers of patients with malignancies”），且缺少高质量的活检金标准。2D 钼靶领域已有 CBIS-DDSM 这类病理证实的经典评测集，DBT 领域则长期没有规模与质量兼顾的对应物——体数据体积大、去标识难、伦理门槛高，让数据集建设比 2D 慢一个节拍。

3D Mammogram Dataset 的回答是「小而精 + 三合一」。第一层是数据：558 例 BI-RADS 0/1/2 筛查 DBT 检查，经富集采样让活检证实恶性占到 48.6%，每例都带双侧 CC+MLO 体位的三维体数据。第二层是标注：病灶的定位、表征、分割与测量由资深乳腺放射医师完成，走 Doer–Checker 两步复核，最后由美国 MQSA 认证医师终审。第三层是文本：每例附去标识的自由文本放射报告，配 OCR+NLP+LLM 三段式去标识流水线——这让同一个库可以同时训练分割模型、分类模型和影像-报告对齐模型。

§0 读法三则：

这个条目的实体名要捋清：站点条目名 3D Mammogram Dataset（官方页名），preprint 内部名 DBT-2026，HuggingFace 仓库名 iMerit/3D-MammographyDataset——三者指同一数据集，检索时都要试。
全文统计数字均出自 preprint 正文与官方页；两处口径冲突（摘要 558 exams vs 讨论 1,110 exams、恶性占比 48.5% vs 48.6%）已在坑 3 与坑 7 存照。
库内 ddti 条目（Digital Database Thyroid Image）是甲状腺超声库，名字与 DBT 相近但毫无关系——检索时别撞上（坑 1）。

§1 数据集速览：十问十答

Q1：3D Mammogram Dataset 到底是什么？
一个 558 例的开放标注 DBT（数字乳腺断层摄影）数据集，由 AI 数据标注公司 iMerit、医学影像平台 Segmed 与美国大型非营利医疗系统 Advocate Health 三方合作发布，2026 年 3 月以 medRxiv preprint「DBT-2026」的形式公开。每例是一个完整 DBT 筛查检查，配专家分割标注、活检或随访金标准与去标识放射报告。

Q2：558 例怎么构成的？
四组：A 组 271 例活检证实恶性（占 48.6%）；B 组 140 例良性；C 组 115 例非癌召回（non-cancer callback，影像异常召回但未做活检/无恶性）；D 组 32 例活检证实良性。官方页把 B+C+D 合并报成「287 benign（51.5%）」，两种口径都成立，引用时注意分母与措辞。

Q3：为什么恶性比例能做到接近一半？
富集采样（enrichment）：构建队列时刻意优先纳入活检证实恶性的患者。这意味着它不是自然筛查人群的横断面——做疾病 prevalence 敏感的实验设计时要当心（见 §4.4）。

Q4：每个检查里有什么图像？
每例为双侧乳腺检查，每侧至少一个头尾位（CC，craniocaudal）和一个内外斜位（MLO，mediolateral oblique），即每例至少 4 个 DBT 三维体数据。图像以压缩 DICOM 存储，一个文件=一个 view=一个完整三维体——不能用读普通 2D 医学影像的方式直接展开（坑 8）。

Q5：标注是谁做的、质量如何保证？
经 iMerit Scholars 平台招募与资质认证的印度资深（fellowship-trained）乳腺影像放射医师，在 HIPAA 合规的 Ango Radiology Annotation Suite 云平台标注；协议由美国临床专家制定；每例走「Doer–Checker」两步复核，分歧二次复核共识解决；最终由美国 MQSA 认证乳腺放射医师做质量终审。

Q6：除了图像和标注还有什么？
三样：活检病理结果或随访金标准；去标识自由文本放射报告（描述影像所见，来自日常临床实践）；结构化元数据（年龄、性别、种族、族裔、BI-RADS 评分、活检结果），以 CSV/XLSX 提供。文本与图像都经去标识：图像烧录文字走 OCR，文本走 NLP+LLM 去除 18 类 HIPAA PHI，最后人工复核。

Q7：我现在能拿到什么？
两条路：HuggingFace（iMerit/3D-MammographyDataset）有 650 MB 样本包（DICOM+annotations.json+metadata.xlsx 的示例结构）；全量 558 例走 Segmed 表单，需注册、credentialing 并签署 Data Use Agreement，权限逐案审核。

Q8：能商用吗？
不能直接商用。DUA 明确限定非商业研究用途，禁止再分发、禁止患者再识别、禁止用于临床决策；preprint 说明版权归作者与 Segmed。官方页面上「支持商业 AI 开发阶段」的营销话术与 DUA 条款表面冲突——想商用必须另行联系作者/Segmed 谈扩展授权（坑 5）。

Q9：和库内乳腺条目是什么关系？
库内既有乳腺条目（VinDr-Mammo、CBIS-DDSM、INbreast、MIAS）全部是 2D 钼靶；BCDR 含 DBT 重建切片但不带这种规模的活检金标准。本条目是库内第一个「完整 DBT 体数据 + 活检金标准 + 报告文本」三合一的乳腺影像条目。

Q10：引用与溯源怎么写？
论文：Wu J, Perandini L, Batra T, Igoshin S, Bari S, de Araujo AL, Willemink MJ. DBT-2026, a de-identified publicly available dataset of digital breast tomosynthesis exams with ground truth biopsies. medRxiv 2026.03.03.25337924; doi:10.64898/2026.03.03.25337924（注意 DOI 前缀 10.64898 不是 medRxiv 常见的 10.1101，坑 3）。

§2 数据构成与规格

2.1 规模、来源与采集路径

DBT-2026 的 558 例检查全部来自美国中西部（Midwest region）的单一医院——preprint 在讨论部分把它列为首要局限：设备、采集协议与人群的地域多样性受限；同时作者给出补偿路径——研究者可以联系作者团队申请访问「更广泛的多中心数据库」。数据经 Segmed 的两条产品线流转：Segmed Piper 与医院 PACS 建立自动连接、以 DICOM 格式拉取图像与元数据；Segmed Openda 作为队列构建工具，按模态、身体部位、放射报告与 DICOM 元数据检索。这条「PACS→Piper→Openda→标注→发布」的管道本身就是一份值得借鉴的真实世界数据（RWD）工程样本。

入组标准（preprint Materials & Methods 原文口径）：

女性，≥18 岁，符合乳腺癌筛查条件；
双侧检查，每侧至少一个 MLO 位和一个 CC 位——即每例至少 4 个 DBT view；
无乳房植入物、无既往乳腺或腋窝手术史、无乳腺癌病史；
筛查人群 BI-RADS 评分限定为 0、1 或 2；
队列富集：优先纳入活检证实恶性患者。

回顾性研究设计，个别患者知情同意获豁免；所有受保护健康信息（PHI）被移除。

2.2 四组构成与临床口径

队列的四组划分是理解这个数据集的钥匙——它不是「正常 vs 异常」的二分，而是按临床处置路径分层的：

组	定义	例数	占比	含义
A	活检证实恶性（biopsy-proven malignant）	271	48.6%	有病理金标准的阳性样本
B	良性（benign）	140	25.1%	临床认定良性（含随访证实）
C	非癌召回（non-cancer callback）	115	20.6%	筛查异常被召回、最终排除癌
D	活检证实良性（biopsy-proven benign）	32	5.7%	做了活检、病理为良性
合计	—	558	100%	—

官方页把 140+115+32=287 合并报为「287 benign（51.5%）」，preprint 的讨论也写「almost half of patients had a biopsy-proven malignancy (n=271, 48.6%)」。两种口径的差别在于：「良性」是临床结论层，「活检证实」是证据强度层——只有 A 组和 D 组共 303 例（54.3%）真正有病理金标准，B 组与 C 组依赖临床随访与常规处置结论。做「以病理为金标准」的严格评测时应明确只用 A+D 子集；做「筛查决策模拟」时四组全用。

2.3 图像规格与文件形态

模态：DBT（数字乳腺断层摄影），即多角度低剂量投影重建的准三维薄层切片；单侧检查的每个体位（CC/MLO）产出一个三维体。
存储：压缩 DICOM，一个文件=一个 view=一个完整三维体。这与 2D 钼靶「一个文件=一张图」的习惯完全不同，读取需 DICOM 工具链（GDCM、dcmtk、ITK、pydicom + 压缩解码插件等），解压后是三维像素数组。
体位：双侧 CC+MLO 为标配（入组标准保证），实际 view 数以 DICOM 元数据为准。
官方页另有 NRRD 格式输出与结构化 JSON 标注，HF 样本包内含 annotations.json 与 metadata.xlsx——对不愿处理 DICOM 的团队，NRRD+JSON 的组合可以直接喂给主流深度学习栈。
元数据 CSV：年龄、性别、种族、族裔、BI-RADS 评分、活检结果、放射报告。
体积：HF 样本包 650 MB；全量体积未公开披露——按每 view 一个三维体、每例至少 4 view 推算，全量为数百 GB 量级，下载与存储前先和 Segmed 确认（存照）。

2.4 去标识化流水线：OCR + NLP + LLM + 人工

医学影像公开化最难的不是图像而是文本。DBT-2026 的去标识化是三层兜底：

图像层：DICOM 图像内的烧录文字（burnt-in text）经 OCR 转为机器可读文本——先「看见」图像里的字，才能谈删除；
文本层：报告文本与 OCR 出的图像文字合并，用 NLP+LLM 组合去除 HIPAA 定义的 18 类 PHI；
人工层：临床专家（L.P.）逐例人工复核，未检出残留 PHI。

这个「机器初筛+人工终审」的双保险设计，与图像端「Doer–Checker」标注复核在结构上同构——整个数据集的质控哲学是每一步都有第二双眼睛。

2.5 与 2D 钼靶数据集的形态对照

维度	DBT-2026（本条目）	典型 2D 钼靶库（如 CBIS-DDSM/VinDr-Mammo）
图像单元	三维体（1 view=1 DICOM 文件）	二维投影图（1 view=1 图像）
单例体积	数百 MB 量级	数 MB 至数十 MB
恶性金标准	活检病理（48.6% 恶性）	部分病理证实、部分影像随访
报告文本	有（自由文本，去标识）	少数有（多为 BI-RADS 结构化标签）
公开方式	表单+DUA（逐案审核）	多为直链下载
单库体量	558 例（小而精）	数千至数万例（大而全）

这张表解释了 DBT-2026 的生态位：它不是 2D 大库的替代品，而是「监督密度」路线——单例信息量（三维体+标注+病理+报告）远超 2D 库，代价是总量小、获取门槛高。

2.6 view 层级与 DICOM 元数据要点

DBT 数据的「最小工作单元」是 view（一个体位的完整三维体），而不是 2D 世界里的「一张图」。围绕 view 组织工程管线时，有几个 DICOM 层面的通用要点（以 HF 样本包实测 schema 为准，本库未发布官方读取文档）：

多帧结构：DBT view 在 DICOM 里以多帧（multiframe）存储，pixel_array 解出的是 (frames, rows, cols) 三维数组——frames 维即层内切片数，层厚远小于面内分辨率（准各向异性体数据），重采样策略要显式设计。
压缩传输语法：实际发布的 DBT DICOM 几乎都是压缩的（JPEG-LS/JPEG 2000 一类），pydicom 裸装解不开——装 pylibjpeg/gdcm 系解码插件再读（附录 E 的依赖清单即为此准备）。
灰度标定：注意 RescaleSlope/RescaleIntercept，把存储值转成物理量级（吸收值），不同 case 间才能可比。
方向与后侧标注：DBT 体数据的方向（头脚/内外）必须从 DICOM 几何标签重建—— Duke BCS-DBT 曾因部分文件 laterality/orientation 标注错误专门发布预处理说明，本库虽无同类官方声明，读入后仍建议用体位标签（CC/MLO）与左右标记做一次自检。
每例 view 计数：入组标准保证每例 ≥4 view；实际是否更多（如加拍 Spot Compression 位不在本库设计内）以 DICOM 元数据逐例清点为准——这也是为什么本条目全程只写「至少 4」。

2.7 数据交付 schema 总表

资产	载体	内容	粒度
三维体数据	压缩 DICOM（全量）	每 view 一个完整三维体	view
三维体数据（样本）	HF 650 MB 包内 DICOM	同上，示例病例	view
三维体数据（备选）	NRRD	同一体的开放格式转出	view
病灶标注	annotations.json / 结构化 JSON	框、分割轮廓、表征、测量	病灶（挂到 view/case）
元数据	metadata.xlsx / CSV	年龄、性别、种族、族裔、BI-RADS、活检结果	case
结局金标准	CSV 字段	活检病理或随访结论（四组归属）	case
报告文本	CSV/结构化输出	去标识自由文本放射报告	case

这套 schema 的信息架构是三层嵌套：case（临床单位）→ view（成像单位）→ lesion（标注单位）。四组标签与报告挂在 case 层，三维体挂在 view 层，病灶标注挂 lesion 层——做交叉验证切分时必须按 case 切，绝不能按 view 或 lesion 切（同一 case 的 view 共享患者与结局，按 view 切会泄漏）。

2.8 报告文本：被低估的第三资产

多数乳腺影像公开库只有图像和标签，本库把日常临床实践中产生的自由文本放射报告一并去标识后发布——这是它在影像-报告多模态赛道上的稀缺性所在。报告的价值分三档：

监督信号：报告是放射科医师对整例检查（含所有 view）的自然语言总结，可作为弱监督或对齐目标；
中间证据：报告描述的病灶位置/形态可与标注框交叉验证，构建「影像所见 vs 结构化标注 vs 病理结论」三重证据链；
文本资产本身：为乳腺领域小语料 NLP（术语归一、BI-RADS 结构化抽取）提供真实语料。

使用注意：报告与四组标签、标注可能存在措辞上的「临床惯例差异」（如报告写「建议随访」对应 C 组路径），把它当结构化标签直接解析前，先做术语一致性盘点。

2.9 拿到全量后的第一周：十项数据体检

表单审核通过、数据到手后，建议按这份清单做入库前体检——每项都对应本库已知的形态特征或同类库的常见翻车点：

清点 case 数：应为 558；CSV 行数与 DICOM case 目录数三方对齐；
清点 view 数：逐例统计 DICOM 文件数，验证「每例 ≥4」且记录实际分布——这也是验证 1,110 口径（坑 4）的唯一一手途径；
抽查传输语法：解压是否全部成功（§2.6 第 2 条），失败文件记录后统一换解码栈；
方向自检：抽 20 例目检 CC/MLO 方向与左右标记（§2.6 第 4 条）；
四组标签对账：CSV 的组别字段与 preprint 四组定义（271/140/115/32）对账；
病理金标准覆盖率：确认 A+D 组的活检结论字段无缺失；
标注 schema 盘点：annotations.json 的病灶结构（框/分割/类别/测量）逐字段建文档；
标注-图像对齐抽查：抽 20 个病灶目检分割轮廓与三维体对应层；
报告完整性：确认每 case 有报告文本，长度分布出直方图；
去标识抽检：抽检 DICOM 元数据头与报告文本中的可疑标识符（本库已三重处理，使用方抽检是惯例的最后防线）。

十项全绿再开训练；任何一项异常，先回到 §5.6 的沟通渠道与 Segmed 对账，不要带病开工。

2.10 DBT DICOM 读取工具矩阵

DBT 三维体 DICOM 的兼容工具面（BCS-DBT 官方页对同类数据的验证结论+通用 DICOM 工具生态，本库同为标准 DBT DICOM，适用面一致）：

工具	类型	三维体支持	适用场景
pydicom + pylibjpeg/gdcm	Python 库	解出 (frames, rows, cols)	管线开发首选
GDCM / dcmtk	命令行库	解压/转封装	批量预处理
ITK-SNAP / 3D Slicer	桌面查看器	体渲染+切片浏览	目检标注对齐
RadiAnt / MicroDICOM	Windows 查看器	多帧浏览	快速人工核查
ImageJ + Bio-Formats	桌面+插件	多帧序列	科研快速验证

选型建议：管线用 pydicom 系、目检用 ITK-SNAP/Slicer；凡遇打不开的文件先怀疑压缩传输语法插件缺失，再怀疑文件损坏——经验上九成是前者。

§3 标注流水线：两步复核与认证终审

3.1 人员结构：跨时区三级体系

协议制定：美国临床专家制定标准化标注协议（standardized annotation protocol），统一病灶分类与测量口径——协议先行，避免「各标各的」；
标注执行：经 iMerit Scholars 平台招募与资质认证的印度资深乳腺影像放射医师（fellowship-trained），在 iMerit 自研的 Ango Radiology Annotation Suite 云平台作业；
终审把关：美国 MQSA 认证（Mammography Quality Standards Act，乳腺摄影质量标准法案）乳腺放射医师做最终质量审查，验证病灶表征与分割保真度。

与 PANDA-PLUS 那类「学生标注+专家终审」的流水线不同，DBT-2026 的每一层执行者都是执业医师——这既是乳腺影像任务复杂度（三维体+病理相关）的必然，也是官方页「regulatory-grade」宣称的底气：工作流按 FDA 510(k)、MQSA、HIPAA 合规设计，带审计跟踪（audit trails）与元数据打标。

3.2 工作流：Doer–Checker 与共识机制

标注核心是两步制：

Doer：标注医师完成病灶的定位（localization）、表征（characterization）、分割（segmentation）与测量（measurement，用平台校准过的测量工具）；
Checker：另一名医师独立复核每例的完整性与准确性；
分歧处理：复核发现的不一致进入二次复核（secondary review），以共识（consensus）解决；
终审：美国 MQSA 认证医师做最终 QA。

平台侧的配套：Ango Radiology Annotation Suite 支持 DBT 的多分辨率缩放、并排对比、对称对齐（左右乳对照）、预标注等高级视图——乳腺影像标注里「左右对称性」是发现单侧 subtle 病灶的关键辅助，工具层直接内置了这些临床阅读习惯。

3.3 标注与金标准的关系

标注产出的是「影像学标注」：病灶在哪（框/分割）、是什么（表征）、多大（测量）。而「是否恶性」的金标准不来自标注医师，而来自活检病理或随访——这两条信息流在数据集里是分开交付的（标注 JSON + 活检结果字段/CSV）。这个设计让研究者可以自由选择监督信号：训练分割用标注、训练分类用病理标签、研究「影像标注 vs 病理结论」的分歧则两者对照。

3.4 官方页 FAQ 的标注宣称（口径存照）

官方页 FAQ 称标注走「multi-reader clinical workflow」，合格专家按共识流程标注，human-in-the-loop QA 保证一致性、降低观察者间变异，产出「regulatory-grade ground truth」。preprint 正文对应的是「Doer–Checker+共识」——两处口径兼容，但「multi-reader」在 preprint 中没有展开成读片一致性统计（如 kappa），数据集没有公开观察者间一致性指标（存照，见 §6.4 与坑 6）。

3.5 标注平台能力清单（官方口径展开）

官方页对 iMerit 乳腺影像标注工具的宣称逐条展开，都是 DBT 任务的关键能力：

多分辨率缩放（multi-resolution zoom）：DBT 层内分辨率高、层厚小，病灶常需跨层连续放大定位——无分层缩放的标注工具在 DBT 上基本不可用；
并排对比（side-by-side comparisons）：当前 view 与历史检查/对侧检查并排，是乳腺影像「找变化」的核心阅读方式；
对称对齐（symmetry alignment）：左右乳镜像对齐显示——乳腺病灶的「不对称性」判读依赖此能力；
预标注（pre-labeling）：模型预标注+人工修正的半自动流程，官方页作为提效手段宣称；
结构化报告+校准测量+审计跟踪：Ango Radiology Annotation Suite 平台级能力（preprint 口径），保证测量可复现、过程可审计。

这套能力清单可直接抄进任何团队的标注平台选型文档——它是「DBT 标注工具最低可用线」的现成答案。

3.6 标注生产模式对照：三种流派

把本库的标注生产放进行业坐标系，与库内条目代表的另两种流派对照：

流派	代表	执行层	复核层	终审层	适用
专业医师全链	本库	印度资深放射医师	同侪 Checker	美国 MQSA 医师	高复杂度三维影像、监管级宣称
学生流水线	PANDA-PLUS（rid 640）	pre-med 学生	高年级学生	30 年经验病理专家（每周 2-4 h）	大量二维 WSI、预算敏感、协议可标准化
多专家独立双标	经典 CAD 时代做法	多名医师独立标注	仲裁共识	—	一致性研究本身是目标时

本库模式的核心竞争力是监管级合规包装（FDA 510(k)/MQSA/HIPAA 工作流设计）+跨时区成本结构（美国协议/终审+印度执行）；代价是标注成本显著高于学生流水线，因此只配了 558 例。三种流派没有优劣，只有任务复杂度×预算×合规要求的匹配问题。

3.7 审计跟踪为什么是标注资产的隐形价值

Ango Radiology Annotation Suite 的「audit-trailed version control」（preprint 原文）对使用者意味着三件事：

可追溯：每例标注的修改历史有版本记录——争议病灶可回放标注过程（虽然数据集发布物一般不含审计日志本体，但其存在约束了标注纪律）；
可申诉：终审医师的修改建立在完整链路上，研究者发现疑似标注错误时，反馈给 Segmed 的争议有据可查；
可复制：协议+平台+审计的组合意味着换一个团队按同一 SOP 可以复刻同等质量的标注——这正是「标注即工艺」与「标注即手艺」的分野。

研究者侧的对应动作：把疑似错误按 case_id+view_id+病灶序号三元组反馈，别用「第几个图有问题」这种自由描述。

§4 人群构成与研究设计：富集队列的读法

4.1 一个反直觉的年龄与人群画像

平均年龄 57.5±11.1 岁，全部为 ≥18 岁女性——与乳腺癌筛查的主力年龄段（50-74 岁为主）吻合。BI-RADS 0/1/2 的入组限定意味着：这个库刻意排除了 BI-RADS 3-5 的「高嫌疑」人群，保留的是「筛查发现异常需召回（0）」与「影像基本正常/良性（1/2）」的世界。换句话说，它模拟的是「筛查场景下的检测难题」——病灶藏在看似正常或轻微异常的乳腺里，而不是「已经很明显、就差确认」的诊断场景。

4.2 富集采样的双刃

队列构建时刻意优先纳入活检证实恶性患者，48.6% 的恶性比例在公开乳腺影像数据集里属于第一梯队（多数公开 DBT 库的恶性病例「相对较少」——这是 preprint 的核心动机陈述）。收益是训练信号密集：558 例里近一半是阳性，小样本也能训出有意义的模型。代价有三：

患病率失真：自然筛查人群的乳腺癌检出率约 0.5% 量级，本库是它的近千倍——任何「以患病率为先验」的实验设计（如筛查模拟、假阳性率预算）都必须重校准；
良性构成偏移：良性主体是临床认定的 B 组（140）与召回的 C 组（115），病理证实的良性只有 D 组 32 例；
单中心+富集：多样性双重受限，跨域泛化实验（跨医院、跨设备）不能用本库单独支撑。

4.3 病灶尺寸分布的暗示

官方页给出两个病灶尺寸数字：平均 1.34 cm、约 85% 病灶小于 2 cm。这与「筛查场景、BI-RADS 0-2 入组」自洽——被筛查影像发现且尚未到高嫌疑级别的病灶，多数是小病灶。对小病灶检测/分割研究者，这既是卖点（难样本密集），也是警告（极小病灶的标注边界精度依赖分割协议与测量工具校准）。

4.4 适合与不适合的研究设计

适合：病灶检测/分割模型训练与内部评测；良恶性分类；影像-报告对齐与报告生成（有自由文本报告）；标注方法论研究（有完整流水线描述）；小样本高监督密度的方法验证。

不适合：患病率敏感的筛查模拟（富集失真）；人群流行病学推断（单中心+富集+仅女性≥18）；跨设备域泛化基准（单中心）；大规模预训练（558 例太小）；任何商业用途（DUA 禁止）。

4.5 四组口径与 2D 库标签体系的映射

把 DBT-2026 的四组口径放进乳腺影像公开库的标签谱系里看，能更清楚它的定位：

库	标签体系	病理证实密度	与本库的映射关系
本库（DBT-2026）	四组（A/B/C/D）	A+D 共 303 例（54.3%）	—
CBIS-DDSM（2D）	良性/可疑/恶性 + BI-RADS	全库病理/随访证实	其「恶性」≈本库 A；「良性」拆开对应本库 B/D
VinDr-Mammo（2D）	BI-RADS 1-5 四级别分类	低（BI-RADS 为主）	其 BI-RADS 0 群体≈本库 C 的召回路径
INbreast（2D）	BI-RADS+病变标注	部分	「小而精」哲学的 2D 先例
MIAS（2D）	正常/良性/恶性三类	影像判定为主	「正常≈1/2、恶性≈A」的粗映射

映射的启示：跨库做迁移或合并评测时，标签不可直接对齐——「良性」在不同库里证据强度不同（影像判定 vs 随访 vs 病理）。本库四组制把证据强度显式编码进组别，是跨库对齐时最值得参考的元数据设计。

4.6 BI-RADS 0/1/2 的临床含义展开

理解这个库为什么限定 BI-RADS 0/1/2，需要先理解这三个分级在筛查工作流里的位置：

BI-RADS 0（需补充评估）：筛查影像发现了「说不清」的异常，需要召回做补充拍摄或超声——本库 C 组（115 例非癌召回）大多从这条路径走来，A 组恶性也可能经由 0 级召回后活检证实；
BI-RADS 1（阴性）：影像未见异常；BI-RADS 2（良性征象）：看到明确良性表现（如典型钙化、囊肿）——这两组构成「看着正常」的世界；
BI-RADS 3-5（本库排除）：可能良性需短期随访/可疑异常/高度怀疑恶性——即「已经进入诊断路径」的人群。

由此本库的难度画像清晰：在影像学上「大体正常或仅有轻微征象」的乳腺里，把藏着的病灶找出来、分出来、量出来。这与诊断场景（BI-RADS 3-5，病灶已显形，任务是定性）是两类问题。选库时先问自己的模型解决的是哪一类。

§5 获取与许可：一道表单门、两条取数路

5.1 两条取数路

HuggingFace 样本包：iMerit/3D-MammographyDataset，650 MB，imagefolder 结构——sample_data/samplecase1/ 下是 DICOM 文件 + annotations.json + metadata.xlsx。用于看懂数据结构、打通读取管道、确认标注 schema。它不是全量（HF 页面 Size 标注 <1K），别在这上面跑基准然后发表（坑 2）。
Segmed 表单（全量）：segmed.ai/resources/ai-for-impact-on-breast-cancer-dataset-form——注册、credentialing、签署 Data Use Agreement 后发放；preprint 明确「每位研究者须单独注册并同意条款」，权限「case-by-case」审核。免费（free to researchers），但非自动直链。

另有官方标注协议页（imerit.ai/annotation-protocol/）与联合发布公告页可作背景引用。

5.2 DUA 条款细读（五条红线）

preprint「Dataset publishing」段给出的条款清单：

仅限非商业研究用途；
禁止再分发或向他人共享数据；
禁止任何患者再识别尝试；
禁止用于临床决策；
版权归作者与 Segmed（all rights, title, and interest）。

HF 页面把同一约束体系命名为 Segmed–iMerit Joint Research Use Agreement（链接 segmed.ai/legal/joint-research-use-agreement），License 字段标为「other」。两个名字、一套条款——引用时建议用 HF 的具名协议并链接 DUA 原文。

5.3 「非商业」与官方页营销话术的表面冲突

官方页 FAQ 写「supports both research and commercial AI development stages」「ideal for … commercial AI development」——与 DUA 的非商业红线字面冲突。合理解读：官方页描述的是 iMerit/Segmed 数据服务整体的商业合作能力（即联系他们可以谈更大的多中心库与商用授权），而这份公开数据集本体受 DUA 约束、非商业。preprint 结尾「researchers can reach out to the authors to gain access to a more extensive multi-center database」正是这个通道。结论：拿公开版做商用前必须另行获得书面授权，别把 FAQ 话术当许可依据（坑 5）。

5.4 AI-Ready 评估：DAIMS 五维速览

DAIMS 维度	评分	依据
可获取性 Accessible	★★★☆☆	样本包公开直链；全量需注册+DUA+逐案审核，非直链、可预期等待
可交互性 Interoperable	★★★★☆	DICOM 原生 + NRRD + JSON + CSV/XLSX，主流工具链全覆盖；无官方加载库但格式标准
可复用性 Reusable	★★★★☆	四组临床口径+活检金标准+报告文本+完整标注方法论描述（preprint）
可持续性 Sustainable	★★★☆☆	三方机构背书、preprint 存档 DOI；但版权归作者与 Segmed、无版本承诺、发布历史仅 v1
许可清晰度 Licensed	★★★★☆	DUA 五条红线明确、协议具名可查；扣分点：FAQ 商用话术与条款的表面冲突需自行澄清

综合判断：AI-Ready 光谱中「登记获取型」——比完全开放的 TCIA 库多一道人工门，比纯联系作者的请求制多一层平台化表单与标准协议，属于 2D 钼靶大库与临床受控库之间的中间形态。

5.5 与库内可获取性光谱的对照

库内乳腺影像条目的获取形态：CBIS-DDSM/INbreast/MIAS 为直链公开；VinDr-Mammo 为竞赛/HF 直链；BCDR 为注册请求制；本条目为表单+DUA 登记制。检索者按「能不能直接下、要不要签协议、能不能商用」三问选库时，本条目的答案依次是：不能直接下（除样本包）、要签、不能。

5.6 获取时间线预期与申请要点

表单获取没有公开的 SLA，按「注册+credentialing+逐案审核」流程可合理预期数个工作日的等待。申请材料里写清楚三件事能显著降低往返成本：

研究用途一句话：非商业研究（DUA 红线内的具体任务，如「DBT 病灶分割方法研究」）；
机构与研究者身份：DUA 是研究者个人逐一签署，别用课题组集体账号申请；
存储与合规承诺：明确数据存放环境与不再分发的技术/管理措施。

注意两条「不要」：不要在申请信里写任何商业含义（会触发逐案否决路径）；不要申请到数据后转发给未签约同事——DUA 明文禁止共享，且这是机构间合作数据，违规成本由签署人承担。

5.7 与库内可获取性光谱的对照（展开）

以「从检索到跑通第一个 batch 的时长」为标尺，库内乳腺影像条目构成一条光谱：

直链即得（分钟级）：CBIS-DDSM、INbreast、MIAS——下载即用，2D 格式读取无门槛；
平台直链（分钟到小时级）：VinDr-Mammo——竞赛/HF 渠道，量大需带宽；
注册请求（天级）：BCDR——注册审批后发放；
表单+DUA（天级+合规准备）：本库——先跑 HF 样本包可把「拿到全量」前的管道开发全部前置，实际等待只影响实验规模，不影响工程进度。

建议的排期：第 1 天跑通样本包读取+标注 schema 盘点；第 1-5 天（等待审核期）完成 2D 侧基线（用库内 2D 库）；拿到全量后直接进入三维实验。这个排期把本库的获取门槛对总进度的影响压到最低。

§6 生态与影响：在 DBT 公开数据谱系中的位置

6.1 DBT 公开数据集景观：大而全 vs 小而精

DBT 公开数据的世界里，绕不开的对照物是 BCS-DBT（Duke DBT）：Buda、Saha 等人 2021 年发布（JAMA Network Open），5,060 名患者、22,032 个扫描、约 1,526 GB 压缩 DICOM，CC BY-NC 4.0 于 TCIA 公开直链，并作为 DBTex/DBTex2 挑战赛（SPIE-AAPM-NCI-DAIR）的赛题数据——它定义了「DBT 公开基准」的规模上限，配套 lesion 框标注与官方读取工具 duke-dbt-data。

preprint 对这类库的评价一针见血：「大多数公开 DBT 数据集的恶性患者数相对偏少」。BCS-DBT 的 5,060 患者中恶性肿瘤占比远低于 DBT-2026 的 48.6%——前者靠量堆出统计功效，后者靠富集采样把监督信号做密。

维度	DBT-2026（本条目）	BCS-DBT（Duke）
患者/检查	558/558（讨论章节另有 1,110 口径，存照）	5,060 患者 / 22,032 扫描
恶性构成	271 例活检证实（48.6%）	恶性占比相对低（含 normal/actionable/benign/cancer）
金标准	活检病理或随访 + 专家分割	影像框标注（truth boxes）
报告文本	有（自由文本）	无
公开方式	表单+DUA（逐案）	TCIA 直链（CC BY-NC 4.0）
配套基准	无官方排行榜	DBTex/DBTex2 挑战赛
配套工具	无官方库	duke-dbt-data（Python）

两库关系是互补而非竞争：方法开发期用 DBT-2026 的高密度监督快速迭代，规模化验证再上 BCS-DBT；影像-报告多模态只能用前者。

6.2 2D 钼靶世界的锚点

库内既有乳腺条目（CBIS-DDSM 541、INbreast 542、VinDr-Mammo 543、MIAS 801）覆盖了 2D 钼靶的「病理证实评测」「高精度标注」「大规模 BI-RADS」「经典小库」四种形态。DBT-2026 在维度上多了两件 2D 库没有的东西：三维体数据（组织重叠被拆开）与配对放射报告。从 2D 迁移到本库的研究者，主要工程成本在 DICOM 三维体读取与显存管理（单 view 数百层切片）。

6.3 临床证据底座

DBT 的临床价值有五项标志性人群试验背书（均为 preprint 引文）：STORM（Lancet Oncology 2013，前瞻对比筛查）、Skaane 等（Radiology 2013，人群筛查项目对比）、Friedewald 等（JAMA 2014，DBT+2D 联合筛查）、Rafferty 等（JAMA 2016，致密/非致密乳腺分层）、McDonald 等（JAMA Oncology 2016，三年结局分析）——共同结论：提高浸润性癌检出率、降低假阳性召回。技术原理上溯至 Niklason 等（Radiology 1997）的断层合成奠基论文。写论文引言时，这条证据链可以直接从 preprint 引文列表取用。

6.4 无基准的空档与机会

截至抓取时点（2026-10-09），DBT-2026 没有官方基准模型、排行榜或结果章节——preprint 是纯数据集描述论文。这对使用者是空档也是机会：第一个在本库上发布严谨协议评测（尤其 A+D 病理金标准子集）的团队将定义该库的基准线。反过来说，发表前要与「用 BCS-DBT/DBTex 排行榜」的工作保持可比性，需明确写清子集与金标准口径（见 §4.2 的分层）。

6.5 库内乳腺条目组合使用手册

五条互链条目与本库能组成的实验组合（rid 供站内互链跳转）：

× VinDr-Mammo（rid 543）：「2D 预训练→3D 微调」流水线验证。用其两万例级 2D 钼靶做 backbone 预训练，再迁到本库三维体上微调，是检验「2D 大数据先验能否迁移到 DBT」的标准实验设计；BI-RADS 分级标签与本库四组标签的语义映射（§4.5）是迁移函数的输入。
× CBIS-DDSM（rid 541）：「2D 病理证实基线 vs 3D 病理证实基线」。两边都以病理证实为金标准，可做「模态对监督需求」的对照实验：同样 300 例级病理子集，2D 与 3D 各能撑起多大容量的模型。
× INbreast（rid 542）：标注密度方法论对照。两者都走「少而精」路线，INbreast 以高分辨率 2D+精细标注著称，本库以三维体+多资产著称——合写「乳腺影像标注密度演进」综述时是天然的两代样本。
× BCDR（rid 800）：DBT 形态对照。BCDR 的 DBT 部分以重建切片形态交付，本库交付完整 DICOM 三维体+活检金标准+报告；做「DBT 数据交付形态对可复现性影响」的工程研究时，两者是仅有的库内 DBT 素材。
× MIAS（rid 801）：三十年时间机器。MIAS（1990 年代胶片数字化、322 张 2D）与本库（2026 年原生三维、558 例多资产）并置，直接可视化「数据集密度定律」——单位病例携带的监督信息量三十年增长数个量级，而获取门槛从「寄磁带」变成「签 DUA」。

组合使用的共同前提：跨库一律按各自许可条款独立合规——本库 DUA 的「禁再分发」意味着不能把本库数据与直链库合并打包再发布，只能发布跨库评测协议与代码。

6.6 三方角色分工：谁出了什么

这个数据集是三方各自贡献核心能力拼出来的，理解分工有助于判断「出了问题找谁、扩展合作谈什么」：

角色	机构	贡献	行业身份
数据源头	Advocate Health	临床筛查检查（单医院）、临床专家（协议制定、MQSA 终审、Amy Sobel 医师参与论文）	美国大型非营利医疗系统
数据管道与发布	Segmed	Piper（PACS 采集）、Openda（队列检索）、去标识、表单发放、DUA 托管、版权共同持有	医学影像真实世界数据平台
标注与产品化	iMerit	Scholars 放射医师团队、Ango 标注平台、标注协议工程化、发布页与新闻发布	AI 数据标注服务商

对研究者的含义：数据问题（内容、口径、发放）找 Segmed（DUA 括版权在「作者与 Segmed」）；标注问题（schema、协议细节）参考官方标注协议页；扩展数据（多中心库）联系作者（preprint 明示通道）。

6.7 发布链时间线

从公告到可检索资产的完整链条（均已在三源核验中确认存在）：

联合新闻发布：iMerit 官网 press 页，宣布三方合作与免费开放标注 DBT 数据集（官方页 announcement 链接）；
官方发布页：imerit.net/3d-mammogram-dataset——Dataset Summary 数字、下载入口、FAQ、preprint 引用格式集中地；
medRxiv preprint：2026-03（编号 2026.03.03.25337924），方法学与条款的权威口径；
HuggingFace 样本包：iMerit/3D-MammographyDataset，工程入口；
（未见）同行评审版：截至 2026-10-09 抓取时点未检出期刊版本——引用时按 preprint 引用，投稿自己的论文时留意作者团队是否已更新版本。

这条链的形态是「营销页（数字全但口径松）+ preprint（口径严但表格动态）+ HF（工程但仅样本）」三件套——三方互证正是本条目 FACTS 的核验方法，检索者引用数字时的优先级应为 preprint > 官方页 > HF 页面描述。

6.8 乳腺影像公开数据集时间线（检索锚点）

把本库放进三十年的乳腺影像公开数据谱系，检索与综述写作可直接引用这条时间线：

时期	数据集	形态	意义
1990s	MIAS（库内 rid 801）	胶片数字化 2D，322 张	乳腺影像公开库的起点
2000s	DDSM	2D 胶片数字化，大规模	CAD 时代的标准语料
2017	CBIS-DDSM（rid 541）	DDSM 的挑选+标准化重制版	病理证实 2D 评测标准
2010s	INbreast（rid 542）/ BCDR（rid 800）	现代 DR 2D（BCDR 含 DBT 切片）	高分辨率+精细标注+多源
2021	BCS-DBT（Duke）	DBT 三维体，5,060 患者	DBT 公开规模之最+DBTex 挑战赛
2023	VinDr-Mammo（rid 543）	2D 钼靶两万例级 BI-RADS	2D 大规模基准成熟
2026	本库（DBT-2026）	DBT 558 例+活检金标准+报告	DBT 小而精路线+多资产三合一

规律清晰可见：2D 走完了「小→大→标注精细化→大规模基准」的完整循环；DBT 正处在「大库已现（BCS-DBT）、精标补位（本库）」的 2026 节点。按 2D 的历史剧本，DBT 接下来大概率出现大规模 BI-RADS 基准与像素级/病灶级精细标注的融合库——本库的标注 schema 与四组口径是那个未来库的候选模板。

§7 方法学启示：三条可迁移的经验

7.1 「临床路径分层」是标注库组织的高级形态

把队列按「处置路径+证据强度」切成四组（恶性/良性/召回/活检证实良性），比「阳性/阴性」二分保留了多得多的研究自由度——金标准强度、召回机制、随访状态都被编码进组别。任何做筛查类数据集的团队都值得抄这个分组法。

7.2 金标准与标注分离交付

「影像标注（医师画的）」与「病理结论（活检出的）」作为两条独立信息流交付，而非合并成一个标签——这让「影像-病理分歧」本身成为可研究对象。合并标签看似省事，实际抹掉了监督信号的证据强度维度。

7.3 去标识化的三段兜底可以复用

OCR（图像烧录文字）→ NLP+LLM（文本 PHI 移除）→ 专家人工复核——这个顺序对任何「影像+文本」成对发布的医学数据集都适用：只清洗文本不清洗图像烧录文字，是真实世界数据公开中最常见的翻车点。

7.4 单中心数据的方法论补偿

单中心是 preprint 自认的头号局限，但方法学上有成熟补偿手段，研究者可按需取用：

病例内数据增强：DBT 三维体的角度扰动、强度抖动、层内翻转（注意 CC/MLO 解剖约束下允许的翻转方向）扩大有效多样性；
跨库外部验证：用 BCS-DBT（直链可得）做外部测试集，把「单中心训练」的泛化缺口量化出来——这本身就是一个可发表的结果；
多中心扩展通道：如 §5.2 所述，作者明示可申请更大的多中心库，正式发表前的规模化验证有官方路径；
域自适应报告：论文里显式报告设备型号与采集参数（从 DICOM 元数据提取），让后续研究者能评估跨域风险。

单中心+富集的队列，最怕的是被当成「通用 DBT 基准」使用——把它当「高密度监督的方法开发沙盘」，限制就变成了设计特征。

7.5 RWD 平台化的行业样本

Segmed 在本库中展示的管道——「PACS 自动对接（Piper）→ 队列检索（Openda）→ 去标识 → 标注（外包给 iMerit）→ 表单化发布」——是医学真实世界数据（RWD）平台化的一个完整样本。三个可借鉴的设计：

采集与发布解耦：医院不需要为发布做额外 IT 工作（Piper 常驻对接），数据「顺流而下」进入平台；这显著降低了单中心参与数据集建设的门槛——也是本库能从一家医院长出来的原因；
去标识内置于管道：OCR+NLP+LLM+人工不是发布前的临时动作，而是管道的标准环节；
合规前置：DUA 在发放前签署、逐案审核，把合规成本从「事后追责」前移到「准入控制」。

对想建设自家数据集的临床团队，这个样本说明：不需要自建标注团队（可外包给 iMerit 类服务商）+不需要自建发放门户（可托管给 Segmed 类平台），核心贡献是数据源头与临床专家的协议/终审能力——分工比全能更可持续。

7.6 「免费但非开源」的许可传播学

本库的许可形态（免费获取+具名协议+红线条款+版权保留）介于开源数据（CC 系）与封闭数据（申请制无标准条款）之间。对数据集发布者的三条启示：

具名协议比「详见网站」可传播：Segmed–iMerit Joint Research Use Agreement 有固定 URL 与全文，被引用、被审查、被比较的成本都低——条款传播得越广，合规误用越少；
红线要短且可数：本库 DUA 五条红线（非商业/禁再分发/禁再识别/禁临床决策/版权保留）一句话能复述——对比动辄数页的法务文本，短清单在研究者侧的实际遵从率更高；
免费≠无门槛是特性不是缺陷：逐案审核筛选出的使用者群体更严肃，反过来保护了数据提供医院（Advocate Health）继续参与的动力。

对使用者的镜像启示：把 DUA 条款写进实验室的数据管理 SOP 与新人培训，比指望每人自己读一遍协议更可靠。

§8 与库内条目的关系

8.1 家族图谱与互链点

VinDr-Mammo（rid 543）：2D 钼靶大规模 BI-RADS 基准。与本库构成「2D 大规模 vs 3D 小而精」的光谱两端；其四级别 BI-RADS 标签体系与本库四组临床口径可做迁移映射讨论。
CBIS-DDSM（rid 541）：2D 钼靶 CAD 研究标准评测集。同为「病理证实」取向的经典库——本库可视为「DBT 版的病理证实评测」尝试，但量级小一个数量级。
INbreast（rid 542）：高精度标注 2D 钼靶（葡萄牙）。与本库同样走「少而精」路线，是标注密度哲学在 2D 时代的先例。
BCDR（rid 800）：葡萄牙波尔图多源乳腺库，含 DBT 重建切片——库内最接近的 DBT 相关条目。差异：BCDR 的 DBT 部分以切片形态交付、不含本库规模的活检金标准与报告文本；本库交付完整 DICOM 三维体。
MIAS（rid 801）：1990 年代的经典小库。与本库对照「三十年间乳腺影像数据集的密度跃迁」——MIAS 322 张 2D 胶片数字化图 vs 本库 558 例三维体+病理+报告。

8.2 检索路径建议

按「乳腺 X 线/钼靶/mammography/mammo/DBT/tomosynthesis」检索本库时，注意排除 ddti（rid 536）——Digital Database Thyroid Image 是甲状腺超声库，缩写与 DBT 高度形似，纯字符串匹配容易误召回（坑 1）。

8.3 防混淆声明：ddti 与 BCDR

ddti（rid 536）≠ DBT。 ddti 是 Digital Database Thyroid Image（甲状腺超声，哥伦比亚国立大学 Cim@Lab，637 张像素级标注甲状腺 B 超图），缩写与 DBT（Digital Breast Tomosynthesis）高度形似。本条目查重时实跑 SQL：url_name ILIKE '%dbt%' 不命中 ddti（其 url_name 不含 dbt 字样），但人类检索与 LLM 召回都极易误配。判别口诀：看模态——超声 vs X 线断层，一眼分辨。

BCDR（rid 800）≠ 本库。 BCDR（Breast Cancer Digital Repository，葡萄牙波尔图）确实是乳腺库且含 DBT 形态数据，是库内与「DBT」语义最接近的既有条目；但其 DBT 部分以重建切片交付、规模与金标准配置和本库不同（本库=完整三维体+48.6% 活检证实恶性+配对报告）。两者是「同模态、不同交付与定位」，互链时写明差异即可，不构成别名关系。

8.4 引用一致性纪律（三则）

规模数字只用 558（摘要口径），1,110 只作为「口径冲突存照」出现；
恶性占比统一写 48.6% 并注明「活检证实恶性」，不要写「恶性肿瘤占比 48.6%」这种把临床组别当病理比例的简称；
许可引用到具名协议（Segmed–iMerit Joint Research Use Agreement）+链接 DUA 原文，不写「开源」「开放许可」——它是免费获取的受限许可，不是开源。

8.5 库内标签网络中的位置（互链逻辑）

本库的 category_tags（医学影像/X光影像/乳腺影像/医学图像分割/乳腺癌/评测基准）把它接入库内标签网络的六个节点：

医学影像+X光影像+乳腺影像：与 rid 541/542/543/800/801 构成乳腺影像完整家族——DBT 补齐了该家族缺失的三维体成员；
医学图像分割：与病理分割（panda-plus 等）、CT/超声分割条目共享「分割监督」方法论话题——DBT 分割的三维体特性让本库在该话题下独树一帜；
乳腺癌+评测基准：与各肿瘤影像评测库同属「以癌检出为目标的结构化评测」家族——本库的四组口径为该家族贡献了「临床路径分层」的新维度。

站内检索「乳腺影像」标签时，本条目是唯一 DBT 成员；检索「乳腺癌」标签时，本条目是少有的「病理金标准+三维体」双持成员——两个标签都是本库的强互链入口。

§9 避坑清单：八个已踩过或必踩的坑

坑 1：ddti 撞名——不是 DBT，是甲状腺。
库内 ddti（Digital Database Thyroid Image，哥伦比亚国立大学）是 637 张甲状腺超声图。检索 DBT（Digital Breast Tomosynthesis）时按字符串匹配会命中它；本条目查重时已实跑 SQL 验证二者无关。判据：看 modality 与描述，别看缩写。

坑 2：HuggingFace 上的 650 MB 不是全量。
iMerit/3D-MammographyDataset 页面 Size <1K、650 MB，内容是 sample_data（示例病例+annotations.json+metadata.xlsx）。全量 558 例走 Segmed 表单。用样本包跑完实验就写论文，审稿人一问规模就穿帮。

坑 3：DOI 前缀是 10.64898，不是 10.1101。
medRxiv 常规 DOI 前缀是 10.1101，本 preprint 是 10.64898（medRxiv 新前缀体系）。把 URL 手拼成 medrxiv.org/content/10.1101/2026.03.03.25337924v1 会落到 medRxiv 的帮助页（本条目核查时实测）；正确地址 medrxiv.org/content/10.64898/2026.03.03.25337924v1.full。

坑 4：558 还是 1,110？
preprint 摘要与结果写「558 DBT exams from 558 patients」，讨论章节却写「a dataset of 1,110 DBT exams from 558 patients」。1,110 疑为 view/体数据总数（558×2≈1,116）或笔误，官方无澄清。全文数字以摘要口径 558 为准，引用 1,110 时必须注明出处矛盾。

坑 5：官方页的「commercial」话术不是许可。
DUA 白纸黑字「非商业研究专用」，官方页 FAQ 却宣传支持商业 AI 开发。许可判断只认 DUA 原文（segmed.ai/legal/joint-research-use-agreement）；商用先找作者/Segmed 拿书面扩展授权。

坑 6：没有公开的观察者间一致性指标。
「multi-reader」「regulatory-grade」「Doer–Checker」都是流程宣称，preprint 未给 kappa/一致性统计。把标注当绝对金标准做极限性能对比时，结论要留余地。

坑 7：48.5% vs 48.6% 的四舍五入口径。
官方页写 271 malignant (48.5%)，preprint 讨论写 48.6%（271/558=48.566%）。差异无害，但同一篇稿子混用两个数会被当数字错误；建议统一 48.6% 并注明出处。

坑 8：一个 DICOM 文件是一个三维体，不是一张图。
DBT 的压缩 DICOM 每文件含整个 view 的三维像素数组，按 2D 方式读会得到一张奇怪的「投影」或直接报错；需 GDCM/ITK/pydicom+解码插件解压成三维数组再切片。HF 样本包就是用来打通这条读取管道的——先跑样本包再申请全量。

§10 总结

10.1 三句话总结

3D Mammogram Dataset（preprint 名 DBT-2026）是 iMerit × Segmed × Advocate Health 三方发布的 558 例开放标注 DBT 数据集，48.6% 为活检证实恶性，带专家分割标注、去标识放射报告与四组临床分层。
它的价值在监督密度而非规模：三维体数据+病理金标准+报告文本三合一，是 DBT 公开谱系里「小而精」路线的代表，与 Duke BCS-DBT 的「大而全」互补。
获取走 Segmed 表单（注册+DUA，非商业专用），HuggingFace 650 MB 仅为样本包；无官方基准，首评测者自定协议。

10.2 适合谁

做 DBT 病灶检测/分割与良恶性分类的模型团队；需要影像-报告配对数据做多模态（报告生成/对齐）的研究者；研究标注方法论与去标识化流水线的工程团队；在 2D 钼靶库上已到瓶颈、需要三维体数据验证方法的小样本方法学者。

10.3 不适合谁

需要大规模预训练语料的团队（558 例太小）；患病率敏感的筛查模拟与流行病学推断（富集+单中心）；要商用部署的训练方（DUA 禁止商用）；指望直链下载立刻开跑的快速验证者（表单+逐案审核有等待期）。

10.4 30 秒决策卡

想看结构？→ HF 样本包（650 MB，免注册）。
想全量？→ Segmed 表单，注册+credentialing+DUA。
要病理金标准子集？→ 只用 A 组 271 + D 组 32。
要报告文本？→ 全库自带，已去标识。
要商用？→ 先拿书面授权，否则止步。
要大规模对比？→ 换 BCS-DBT（TCIA 直链）。
检索撞上 ddti？→ 那是甲状腺超声，走错了。

FAQ（高频问答 51 问）

A. 基础认知

Q1：3D Mammogram Dataset 和 DBT-2026 是同一个东西吗？
是。官方发布名 3D Mammogram Dataset，preprint 里自称 DBT-2026，HF 仓库名 iMerit/3D-MammographyDataset，三个名字一个实体。

Q2：DBT 和普通钼靶（2D mammography）差别在哪？
DBT 让球管在有限弧度内采多个低剂量角度投影、重建准三维薄层切片，减少组织重叠；临床证据显示浸润性癌检出率更高、假阳性召回更低。本库每个 view 就是一个这样的三维体。

Q3：数据是哪来的？
美国中西部一家医院（隶属 Advocate Health 体系）的常规筛查检查，经 Segmed Piper 从 PACS 自动采集，DICOM 原始格式，回顾性、免知情同意（豁免）+ 去标识。

Q4：什么时候发布的？
2026 年 3 月（preprint 编号 2026.03.03.25337924），截至 2026-10 抓取时点未见同行评审版本。

B. 数据与获取

Q5：数据什么格式、多大？
压缩 DICOM（1 view=1 文件=1 三维体）+ NRRD + JSON 标注 + CSV/XLSX 元数据；HF 样本包 650 MB；全量体积未披露（估计数百 GB，申请时与 Segmed 确认）。

Q6：怎么下载？
样本包：HF 直接下。全量：segmed.ai/resources/ai-for-impact-on-breast-cancer-dataset-form 表单，每位研究者单独注册、credentialing、签 DUA，逐案审核后发放，免费。

Q7：能在论文里直接放图吗？
DUA 未授权再分发——论文里放示意性结果图属常规学术合理使用范畴，但整病例数据再打包发布明确违规；拿不准时问 Segmed。

Q8：现在还能联系到团队拿更多数据吗？
可以。preprint 明说研究者可联系作者获取「更广泛的多中心数据库」——这是官方唯一的扩展数据通道。

C. 人群与口径

Q9：四组（271/140/115/32）到底怎么用？
病理金标准评测用 A+D（303 例）；全库训练用四组；对照「官方页 271 vs 287」口径时先写清分母定义。

Q10：为什么 BI-RADS 只收 0/1/2？
定位是筛查场景检测题——找藏在基本正常乳腺里的病灶；BI-RADS 3-5 的高嫌疑诊断场景不在此库。

Q11：有正常（完全无异常）的病例吗？
BI-RADS 1/2 属于影像阴性/良性范畴，但本库经富集采样偏向有病灶与有事件的病例；「纯粹正常对照组」不是它的设计目标，分组以四组口径为准。

Q12：年龄、种族信息有吗？
有。CSV 含年龄、性别、种族、族裔；平均年龄 57.5±11.1 岁，全女性。

D. 标注与质量

Q13：标注包括什么？
病灶定位（框）、表征（类别）、分割（轮廓）、测量（尺寸）；由印度资深乳腺放射医师按美国专家制定的协议在 Ango 平台完成。

Q14：标注质量和病理结论谁说了算？
两回事：标注是影像学事实（画在哪/是什么/多大），病理是结局金标准（是否恶性）。DUA 数据里两条信息流分开交付，别混成一个标签用。

Q15：有观察者间一致性数据吗？
没有公开。流程宣称（Doer–Checker、共识、MQSA 终审）都在，kappa 没给——引用时留余地。

E. 工程与复现

Q16：怎么读这些 DICOM？
GDCM/dcmtk 解压 → ITK/pydicom 读成三维数组 → 按层切或整体喂模型。先拿 HF 样本包打通管道，注意部分文件是压缩传输语法。

Q17：有官方代码库吗？
截至抓取时点未见官方加载/评测工具（对照：Duke BCS-DBT 有 duke-dbt-data）。用 HF 样本包里的 annotations.json schema 自写 loader。

Q18：官方跑过基准模型吗？
没有。preprint 是纯数据集描述，无模型无排行榜；首评测者自定协议并公开代码即可立标杆。

F. 检索与库内

Q19：在本库检索 DBT 类条目要注意什么？
排除 ddti（甲状腺超声，缩写形似）；BCDR（rid 800）含 DBT 切片但形态与本库不同；其余乳腺条目（541/542/543/801）均为 2D。

Q20：引用格式？
Wu J, Perandini L, Batra T, Igoshin S, Bari S, de Araujo AL, Willemink MJ. DBT-2026, a de-identified publicly available dataset of digital breast tomosynthesis exams with ground truth biopsies. medRxiv 2026.03.03.25337924; doi:10.64898/2026.03.03.25337924。

G. 工程细节

Q21：显存怎么规划？
一个 DBT view 是数百层切片的三维体，整 view 进显存对常见 GPU 不现实。主流做法：层内 2D 切片栈训练（把 view 当多切片集）、2.5D（相邻层堆叠成多通道）、或降采样后 3D patch。先在样本包上量出实际帧数与分辨率再定方案。

Q22：切分协议怎么定才不泄漏？
按 case 切（§2.7 三层嵌套），A/B/C/D 分组分层抽样保证各组比例；任何跨 view/跨 lesion 的随机切分都会让同一患者的数据跨 train/test，指标虚高。

Q23：标注 JSON 的坐标系怎么对齐？
以样本包 annotations.json 实测 schema 为准；病灶几何相对 view 帧坐标存储时，注意多帧体的层方向与 DICOM 几何标签的一致性（§2.6 第 4 条）。

Q24：报告文本可以直接进 LLM 微调吗？
可以但先做两件事：确认去标识完整性（本库已三重处理，仍建议抽检）；按 case 而非按句切分，保留整例报告的完整性。

Q25：NRRD 和 DICOM 内容一致吗？
官方页把 NRRD 列为输出格式之一；两者应同源。做定量实验固定用一种格式并在论文写明，避免双格式解析差异引入的噪声。

H. 合规与发布

Q26：学生/临时人员能用我的账号访问吗？
不能。DUA 要求每位研究者单独注册签署，共享访问即「向他人共享数据」，属明文禁止项。

Q27：结果模型可以开源吗？
模型权重不含患者数据，一般可开源；但训练代码里内嵌的任何数据片段（哪怕是示例 DICOM 转储）不得随仓库发布。稳妥做法：开源代码+权重，数据链接指向 Segmed 表单。

Q28：能发表阴性结果/基准对比吗？
DUA 只限制数据流转与用途性质（非商业、非临床决策），不限制学术发表；基准对比请遵守 §6.4 的口径透明原则。

Q29：本库数据能用于竞赛吗？
竞赛属公开分发场景，与「禁再分发」条款存在张力——组委会模式（数据驻留、提交预测评审）可行，直接发放给参赛者不可行。有此计划先问 Segmed。

Q30：抓取本条目信息时最可靠的三个来源？
官方页 imerit.net/3d-mammogram-dataset/（规模与获取口径）、medRxiv preprint（方法学与条款细节）、HF 样本包（实测 schema）。三方一致处为硬事实，出入处见附录 F 存照表。

I. 数据安全

Q31：数据放在什么环境合规？
DUA 要求不得再分发、不得尝试再识别——数据应存放在访问受控的研究环境（课题组服务器/机构云盘+权限组管理），避免个人笔记本散拷与公共网盘。去标识数据不等于可公开数据，存储纪律按可识别敏感数据对待。

Q32：如果发现疑似未去标识的信息怎么办？
停止使用该 case、立即通知 Segmed/作者（DUA 精神下的披露义务），不要截图转发或写进 issue——这是使用去标识医学数据的标准响应姿势。

J. 术语速答

Q33：「3D mammography」和 DBT 是一回事吗？
是。DBT 的通俗叫法即 3D 乳腺 X 线/3D 钼靶；文献里 digital breast tomosynthesis、3D mammography、tomosynthesis 混用。正式场合建议用 DBT 全称。

Q34：「actionable」是什么意思？
乳腺筛查语境指「需要临床行动的发现」（召回/活检/短期随访）。BCS-DBT 用 normal/actionable 分组；本库的 C 组（召回）大体对应 actionable 中未确诊癌的部分，但分组口径不同库不同，别直接画等号。

Q35：为什么条目名用 slug「3d-mammogram」？
slug 取自官方发布页 URL（imerit.net/3d-mammogram-dataset）与 HF 仓库名（3D-MammographyDataset）的公约数，是三个官方渠道名称里最短稳定的检索锚点。

Q36：本条目的数字以后会变吗？
会变的候选点：同行评审后 preprint 数字可能修订；作者团队的多中心扩展库若发布，规模口径将更新。本条目存照抓取时点 2026-10-09，引用时以最新官方版本为准。

K. 深度问题

Q37：为什么这个库选择 558 例而不是等攒到几千例再发布？
preprint 的逻辑是「高质量 ground truth 的公开 DBT 数据缺口」是当下痛点，富集采样让 558 例里能榨出 271 例病理证实恶性——先满足「有金标准的小规模严格评测」，比「再等三年攒大库」更解渴。这也是发布方明示后续可谈更大多中心库的原因。

Q38：单中心数据训出的模型论文好发吗？
取决于主张范围。方法论文（架构/损失/训练策略）用单中心库开发+外部库验证是标准打法；直接主张「通用 DBT 检测性能」会被审稿人拿单中心质询。preprint 自认单中心局限等于给使用者画了主张边界。

Q39：报告文本和标注会不会重复？
不重复且互补：标注是结构化几何（在哪/多大），报告是叙事性解读（什么样/像什么/建议什么）。两者交叉正是「结构化监督 vs 语言监督」的研究素材。

Q40：这个库能支撑毕业论文体量的工作吗？
可以：分割方法+外部验证（§附录 O 选题 1）、影像-报告对齐（选题 2）、假阳性画像（选题 4）任一方向都有足够的展开空间——但要搭配 BCS-DBT 或库内 2D 库做规模化面，别把三个方向压在一个 558 例库上。

L. 与临床指南的关系

Q41：数据集里的 BI-RADS 是谁评的？
日常临床实践的读片医师（报告中给出），随 CSV 元数据交付；preprint 未单独披露评分者资质明细——MQSA 认证医师的终审针对的是研究标注，不是原始 BI-RADS 评分（两者别混）。

Q42：能用这个库做 CAD 产品的注册申报吗？
不能直接用。DUA 明确「禁止用于临床决策」且非商业；注册申报属商业+临床决策域，需要与版权方另行签商业协议——公开版数据集的定位是研究。

Q43：DBT 筛查的指南地位会影响数据集价值吗？
会正向影响。DBT 在多国筛查指南中的渗透率上升（临床证据链见 §6.3），工具类数据集的价值随模态普及同步上升——这也是 2026 年发布 DBT 精标库的时机逻辑。

M. 方法研究

Q44：分割和检测哪个先做？
先检测后分割的顺序更稳：病灶框（定位）容易验证、分割轮廓受层间各向异性影响更大；且检测器能先行过滤「值得分割」的区域，把三维分割算力花在刀刃上。

Q45：四组标签能直接当多分类训练吗？
可以但要想清楚标签语义：A/B/C/D 是「处置路径+证据强度」的组合而非互斥病种；直接四分类时模型学到的主要是影像学恶性征象强弱（A>C≈B>D 的可疑度梯度），把它解释成「四类病」是过度解读。

Q46：外部验证选哪个库？
首推 BCS-DBT（同模态、直链、体量大）；做跨模态稳健性可加库内 2D 库（CBIS-DDSM/INbreast）做「DBT vs 2D」的病灶可比对子研究。跨库标签口径对照见 §4.5。

Q47：报告生成任务的参考标准怎么定？
没有官方分割协议时，常见做法：用四组+BI-RADS 字段做结构化参考、用原报告做文本参考、用标注病灶做事实一致性检查（生成描述 vs 标注几何）。三层参考缺一不可，只对 BLEU 会得到「流畅但胡说」的生成器。

N. 存照与争议

Q48：1,110 那个口径有没有可能是「view 总数」？
有可能（558×2≈1,116）但无法证实——preprint 无澄清、官方页无补充。本条目按摘要 558 成稿；拿到全量后逐例清点 view 数（§2.9 体检第 2 项）是该疑点唯一的一手验证途径。

Q49：48.5% 和 48.6% 到底引用哪个？
都源于 271/558=48.566%：preprint 取 48.6%、官方页取 48.5%。学术写作跟 preprint（48.6%）；营销/摘要场合两可但全文统一即可。

Q50：官方页和 preprint 还有哪些隐性出入？
逐条对照后的实质出入只有标题称呼（存照 3）与商用话术（存照 5）；其余为四舍五入与聚合口径差异（存照 1/2/4/6）。整体而言三方口径一致性良好，这在营销页+preprint 组合里属于少见的高置信情况。

Q51：本条目的数字以后怎么追溯？
所有数字的抓取时点是 2026-10-09，存照清单在附录 F/R；若 preprint 出同行评审版或官方页更新，以新版为准并重跑三源互证——本条目 §8.4 的引用纪律就是为这种更新设计的。

事实清单（硬事实 36 条：正文 26 + 补遗 10）

官方发布名：3D Mammogram Dataset；preprint 名 DBT-2026；HF 仓库名 iMerit/3D-MammographyDataset。
发布方：iMerit（San Jose）× Segmed（Palo Alto）× Advocate Health 三方联合，2026 年 3 月。
preprint：medRxiv，doi:10.64898/2026.03.03.25337924，作者 Wu J、Perandini L、Batra T、Igoshin S、Bari S、de Araujo AL、Willemink MJ 共 7 人。
规模：558 例患者 / 558 个 DBT 检查（摘要口径）；讨论章节另有 1,110 exams 口径（存照）。
四组：A 活检证实恶性 271（48.6%）、B 良性 140、C 非癌召回 115、D 活检证实良性 32。
官方页聚合口径：271 malignant（48.5%）/ 287 benign（51.5%）。
平均年龄 57.5±11.1 岁；全女性、≥18 岁。
病灶平均 1.34 cm；约 85% 病灶 <2 cm。
入组：BI-RADS 0/1/2；双侧、每侧至少 MLO+CC（每例至少 4 view）；无植入物/无乳腺腋窝手术史/无乳腺癌史。
数据来源：美国中西部单一医院，经 Segmed Piper（PACS 对接）+ Segmed Openda（队列检索）。
格式：压缩 DICOM（1 view=1 文件=1 三维体）、NRRD、结构化 JSON、metadata.xlsx、CSV。
去标识：图像烧录文字 OCR → 文本 NLP+LLM 去 18 类 HIPAA PHI → 临床专家（L.P.）人工复核。
标注团队：iMerit Scholars 平台认证的印度 fellowship-trained 乳腺放射医师。
标注平台：Ango Radiology Annotation Suite（HIPAA 合规、审计跟踪、校准测量工具）。
工作流：美国专家定协议 → Doer–Checker 两步 → 分歧二次复核共识 → 美国 MQSA 认证医师终审。
金标准：活检病理证实或随访；与影像标注分离交付。
获取（全量）：Segmed 表单，注册+credentialing+DUA，逐案审核，研究者免费。
获取（样本）：HF 公开 650 MB（Size <1K，imagefolder：DICOM+annotations.json+metadata.xlsx）。
许可：Segmed–iMerit Joint Research Use Agreement（HF 口径）/ DUA（preprint 口径）：非商业、禁再分发、禁再识别、禁临床决策；版权归作者与 Segmed。
无官方基准模型/排行榜/一致性统计（截至 2026-10-09）。
对照物：Duke BCS-DBT（5,060 患者、22,032 扫描、1,526 GB、CC BY-NC 4.0、TCIA 直链、DBTex 挑战赛、duke-dbt-data 工具）。
DBT 临床证据链：Niklason 1997（原理）→ STORM 2013 / Skaane 2013 / Friedewald 2014 / Rafferty 2016 / McDonald 2016（检出率↑、召回率↓）。
全球乳腺筛查量 >3,900 万人次/年（preprint 引言）。
致谢：Advocate Health 乳腺放射医师 Amy Sobel, MD。
扩展通道：可联系作者获取更广泛的多中心数据库。
preprint 讨论自称局限：单中心、不可商用。

术语表（30 条：正文 18 + 补遗 12）

DBT（Digital Breast Tomosynthesis）：数字乳腺断层摄影，多角度低剂量投影重建准三维薄层切片的乳腺 X 线技术，俗称 3D 钼靶/3D 乳腺 X 线。
CC 位（craniocaudal）：头尾位，乳腺 X 线标准投照体位之一。
MLO 位（mediolateral oblique）：内外斜位，标准投照体位之二；CC+MLO 为每侧最低配置。
BI-RADS：乳腺影像报告与数据系统（Breast Imaging Reporting and Data System），0=需召回补充评估，1=阴性，2=良性征象。
活检证实（biopsy-proven）：以穿刺/手术活检病理为金标准的结论强度层级。
非癌召回（non-cancer callback）：筛查影像异常被召回补充检查、最终排除癌的路径。
富集采样（enrichment）：构建队列时刻意提高目标事件（恶性）占比的采样策略。
PHI（Protected Health Information）：受保护健康信息；HIPAA 定义 18 类标识符。
OCR：光学字符识别，用于提取 DICOM 图像内烧录文字。
Doer–Checker：一人执行、另一人独立复核的两步质量工作流。
MQSA：美国乳腺摄影质量标准法案，其认证医师是乳腺影像读片与终审的法定资质。
PACS：影像归档与通信系统；Segmed Piper 与其对接自动采集 DICOM。
Segmed Openda：按模态/部位/报告/DICOM 元数据检索构建队列的工具。
NRRD：Nearly Raw Raster Data，医学体数据常用开放格式。
DUA（Data Use Agreement）：数据使用协议；本库的红线为非商业、禁再分发、禁再识别、禁临床决策。
DAIMS：数据集 AI-Ready 度评估框架（可获取/可交互/可复用/可持续/许可清晰五维）。
BCS-DBT：Duke 大学发布的 5,060 患者 DBT 公开库，DBTex 挑战赛赛题数据。
view：一个投照体位的完整 DBT 三维体；本库 1 view=1 个压缩 DICOM 文件。

附录

附录 A：条目信息速查卡

项	值
条目 slug	3d-mammogram
官方名	3D Mammogram Dataset
preprint 名	DBT-2026
论文	medRxiv 2026.03.03.25337924（doi:10.64898/2026.03.03.25337924）
发布方	iMerit × Segmed × Advocate Health
规模	558 患者 / 558 检查 / 每例≥4 view
恶性	271 例活检证实（48.6%）
获取	Segmed 表单（全量）+ HF 样本包（650 MB）
许可	Segmed–iMerit Joint Research Use Agreement（非商业）
库内互链	vindr-mammo(543)、cbis-ddsm(541)、inbreast(542)、bcdr(800)、mias(801)

附录 B：DAIMS 评估全表

维度	评分	加分项	扣分项
可获取性	★★★☆☆	样本包公开直链、全量免费	表单+credentialing+逐案审核，无直链、无版本承诺
可交互性	★★★★☆	DICOM/NRRD/JSON/CSV 全标准格式	无官方 loader，需自建读取管道
可复用性	★★★★☆	四组临床口径+病理金标准+报告+方法论完整描述	无一致性统计；采集时间/设备未披露
可持续性	★★★☆☆	三方机构背书、DOI 存档	版权归作者与 Segmed；发布历史仅 v1；无更新计划声明
许可清晰度	★★★★☆	DUA 五条红线明确、协议具名可查	FAQ 商用话术与条款表面冲突需自行澄清

附录 C：逐项证据链自证

558/558 与四组分布：preprint 摘要与 Resulting dataset 章节（正文引述）。
48.6%/48.5%：preprint 讨论 vs 官方页 Dataset Summary（双口径存照）。
年龄 57.5±11.1：preprint Results（Table 1 引述）。
1.34 cm / 85% <2 cm：官方页 Dataset Summary。
入组标准/去标识/标注工作流/DUA 条款：preprint Materials & Methods 与 Dataset publishing。
获取入口/DUA/标注协议链接：官方页与 HF 页面。
BCS-DBT 数字：TCIA 官方页（5,060/22,032/1,526 GB/CC BY-NC 4.0）。
临床试验证据链：preprint 参考文献 3-7。
HF 样本包 650 MB / <1K / 结构：HF 页面（搜索快照+镜像页跳转记录）。

附录 D：数据获取决策树

拿到数据了吗？
├─ 没有
│  ├─ 只想看结构/打通管道 → HF iMerit/3D-MammographyDataset（650 MB）
│  └─ 要全量 → Segmed 表单 → 注册+credentialing+签 DUA → 等逐案审核
├─ 有全量
│  ├─ 做病理金标准评测 → 只用 A 组 271 + D 组 32
│  ├─ 做检测/分割训练 → 四组全用 + 标注 JSON
│  ├─ 做影像-报告多模态 → 报告文本 + 图像配对
│  └─ 想商用 → 停。先联系作者/Segmed 拿书面授权
└─ 要大规模/直链/排行榜 → 改用 BCS-DBT（TCIA，CC BY-NC 4.0）

附录 E：DBT DICOM 读取管道骨架（代码）

# 依赖：pydicom、pylibjpeg(-libjpeg-turbo) 或 gdcm（处理压缩传输语法）
# pip install pydicom pylibjpeg pylibjpeg-libjpeg
import pydicom
import numpy as np

def load_dbt_view(dicom_path: str) -> np.ndarray:
    """读取一个 DBT view：1 个 DICOM 文件 = 1 个三维体。"""
    ds = pydicom.dcmread(dicom_path)          # 压缩文件需已安装对应解码插件
    arr = ds.pixel_array                       # (frames, rows, cols) 三维数组
    # 注意：不做 2D 假设——按 frames 维为层内切片处理
    arr = arr.astype(np.float32)
    if hasattr(ds, "RescaleSlope") and hasattr(ds, "RescaleIntercept"):
        arr = arr * float(ds.RescaleSlope) + float(ds.RescaleIntercept)
    return arr

# 样本包结构（HF iMerit/3D-MammographyDataset）：
# sample_data/samplecase1/*.dcm        <- 多个 view，每个一个三维体
# sample_data/annotations.json         <- 病灶框/分割标注
# sample_data/metadata.xlsx            <- 病例元数据
# 建议流程：先跑样本包验证读取与标注 schema -> 再申请全量

附录 F：双口径存照总表

#	口径 A	口径 B	处理
1	摘要：558 exams / 558 patients	讨论：1,110 exams / 558 patients	全文按 558；1,110 注明存照
2	恶性 48.6%（preprint）	恶性 48.5%（官方页）	全文按 48.6%，引 48.5% 注出处
3	preprint 标题「DBT-2026…」	官方页称呼「Technical Framework…」	引用用 medRxiv 实际标题
4	HF Size <1K / 650 MB	全量 558 例（全量体积未披露）	明确样本包 vs 全量
5	DUA 非商业	官方页 FAQ 商用话术	以 DUA 为准，商用需另行授权
6	协议具名 Segmed–iMerit Joint Research Use Agreement（HF）	Data Use Agreement（preprint）	同一约束体系两个名字，并存

附录 G：标注协议复用 SOP（从本库工作流提炼）

任何「医学影像+文本」多资产数据集的标注团队，可直接套用这套从 DBT-2026 提炼的五步 SOP：

协议先行：由目标市场的资深临床专家制定标准化标注协议（病灶分类定义、测量口径、边界案例处理），协议文档先于标注存在；
平台承载：选择支持审计跟踪、版本控制、校准测量工具的标注平台；乳腺/对称器官类任务确认平台支持左右并排与对称对齐视图；
两步复核：执行者（Doer）与复核者（Checker）分离，复核独立进行不反馈执行者逐例结果，只汇总分歧；
共识仲裁：分歧进入二次复核，由更高年资者组织共识裁决，裁决结果回写协议（边界案例累积成案例库）；
外部终审：由持有目标市场监管资质（如美国 MQSA）的医师抽检或全检，验证保真度后定稿。

对应本库的角色映射：美国专家（协议）→ 印度资深放射医师（Doer/Checker）→ 分歧共识 → MQSA 医师（终审）。该结构的可迁移点在于资质与劳动的分层配置：监管资质只用在刀刃上（协议+终审），执行层用经认证的高年资医师规模化承载。

附录 H：与 BCS-DBT 全维度对照（工程视角）

维度	DBT-2026	BCS-DBT（Duke）	工程含义
获取	表单+DUA，逐案	TCIA 直链（NBIA manifest）	快速原型用后者
格式	压缩 DICOM + NRRD + JSON	压缩 DICOM（1 view=1 文件）	读取管道可复用同一套解码栈
体量	558 例	22,032 扫描 / 1,526 GB	前者全库可下载，后者需筛选下载
方向坑	无官方声明	官方声明部分文件 laterality/orientation 有误+纠正代码	后者必须用 duke-dbt-data 预处理；前者自检即可
标注	分割+框+表征+测量（医师）	lesion 框（truth boxes）	前者可训分割，后者偏检测
金标准	活检/随访四组	影像分组（含 normal/actionable）	严格病理评测用前者
文本	自由文本报告	无	多模态只能用前者
基准	无	DBTex/DBTex2 排行榜+团队预测公开	横向比较去后者取数
许可	非商业 DUA	CC BY-NC 4.0	两者都禁商用，后者署名即可

附录 I：检索关键词矩阵

检索场景	建议关键词	命中注意
论文检索	DBT-2026 / digital breast tomosynthesis dataset / de-identified DBT	前缀 10.64898 坑（坑 3）
数据检索	3D Mammogram Dataset / 3D-MammographyDataset	HF 仓库名带连字符与大小写
本库检索	3d-mammogram / mammo / tomosynthesis	排除 ddti（甲状腺，坑 1）；BCDR 是另一实体
组合检索	DBT + biopsy / DBT + segmentation / tomosynthesis + report	与 BCS-DBT 结果区分看规模数字
机构检索	iMerit Segmed Advocate Health mammography	新闻发布页也命中

附录 J：报告文本使用八则

报告是 case 级资产：整例一份，先按 case 建索引再谈解析；
报告措辞遵循北美报告惯例（assessment/recommendation 结构常见），BI-RADS 评语与元数据 CSV 的评分字段应一致，不一致处是数据质量研究对象而非解析障碍；
「建议随访」「召回」等处置措辞与 C 组路径强相关——文本分类任务可直接利用这个强关联；
OCR 兜底过的图像烧录文字不要当正文解析（它是去标识处理的对象，非报告本体）；
做对齐模型时，报告提到但标注未覆盖的「二次所见」（incidental findings）是天然的难例挖掘池；
报告长度分布与信息密度先做盘点再定截断策略，别用通用医学报告模板的长度假设；
引用报告原文到论文/演示时再次自查去标识（本库已三重处理，引用者承担最后防线）；
跨语言团队注意：报告为英文原文，翻译后用于展示无妨，用于建模保持原文。

附录 K：30 秒 pitch（三种受众）

给 PI：558 例 DBT、近半数活检证实恶性、带分割标注和放射报告——单中心富集队列，适合做方法开发与小样本验证，规模化验证转 BCS-DBT，商用需另谈授权。
给工程师：标准 DICOM 三维体+JSON 标注+CSV 元数据，HF 有 650 MB 样本包可先打通管道；全量表单申请，按 case 切分防泄漏。
给审稿人：方法学描述完整（协议/Doer–Checker/MQSA 终审/去标识三重兜底），局限自认清楚（单中心、富集、无一致性统计）；数字口径以 preprint 摘要为准（558），讨论章节 1,110 的出入已在引用时注明。

附录 L：术语表补遗（6 条）

富集队列（enriched cohort）：以事件（恶性）占比远高于自然人群为特征的队列，服务于监督效率而非流行病学代表性。
回归偏倚（callback）路径：筛查阳性→召回→补充影像/活检的临床链条；C 组即走完该链条未确诊癌者。
准三维（quasi-3D）：DBT 重建体的层厚与面内分辨率不对称，非各向同性体数据。
多帧 DICOM（multiframe）：单文件封装多帧像素的 DICOM 组织方式，DBT view 的标准载体。
Dongle-free 获取：非直链但平台化的获取形态（表单+审核），介于完全开放与邮件请求制之间——本库的获取形态即属此类。
监督密度（supervision density）：单位病例携带的监督信号量（标签/标注/文本/金标准的组合），本库的核心卖点。

附录 M：事实清单补遗（4 条）

HF 样本包结构：sample_data/<case>/*.dcm + annotations.json + metadata.xlsx（imagefolder 组织）。
preprint 引用列表含 DBT 技术与临床试验文献 7 篇核心引文（Niklason 1997 至 McDonald 2016）。
官方页标注工具能力宣称：多分辨率缩放、并排对比、对称对齐、预标注（iMerit 平台口径）。
iMerit 官方口径 5,500+ 全职员工、10+ 年标注经验（公司介绍段，背景信息）。

附录 N：数据组别速查卡

组	例数	金标准强度	建议用法	慎用场景
A（271）	活检证实恶性	病理（最强）	恶性类训练/评测阳性集	不能当患病率
B（140）	良性	临床+随访	阴性类训练	严格病理评测勿混入
C（115）	非癌召回	临床处置	难例阴性/假阳性研究	勿当「正常」样本
D（32）	活检证实良性	病理（最强）	病理口径阴性对照	量小，别单独下结论
A+D（303）	病理证实子集	双侧病理	严格金标准评测首选	占比 54.3% 非自然分布

附录 O：从本库出发的五个研究选题

小样本 DBT 分割的监督上限：303 例病理证实子集+医师分割标注，测「监督密度换数据量」的极限在哪——与 BCS-DBT（大库低密度）对照设计；
影像-报告对齐的病灶级 grounding：报告语句与标注框/分割的细粒度对齐，做 DBT 版的「报告指向病灶」评测——本库是少有的同时有三样素材的库；
2D→3D 迁移的系统研究：以 VinDr-Mammo/CBIS-DDSM（2D 大库）预训练、本库微调，量化模态迁移增益与失效模式；
召回路径的假阳性画像：C 组 115 例是「影像说有、临床说没有」的完整样本——做 DBT 假阳性的形态学分析与缓解策略；
标注协议的可复现性审计：按 preprint 协议描述+官方标注协议页复刻一条标注线，测协议文本到标注质量的信息损耗——标注方法论方向。

每个选题都自带合规边界：只用本库数据发表结果没问题；把数据二次打包、商用化、临床决策化都在 DUA 红线之外。

附录 P：与临床工作流的对应关系

本库的数据流实际上是一条被「切片冻结」的临床工作流：

筛查就诊（女性≥18）
  → DBT 检查（双侧 CC+MLO）          [view 层资产]
  → 放射科医师读片 + BI-RADS 评分      [CSV: BI-RADS 字段]
       ├─ 0 → 召回 → 补充影像/活检    [C 组路径 / A 组路径]
       ├─ 1/2 → 常规随访             [B 组路径]
  → 活检（如做）→ 病理               [CSV: 活检字段 / A、D 组]
  → 报告书写                         [报告文本资产]
  → （本研究）医师标注病灶            [annotations 资产]

每层资产对应工作流的一个环节——这意味着用本库做「筛查工作流模拟」时，可以按环节组装监督信号（读片模拟用 view+标注，决策模拟用 BI-RADS+四组，报告模拟用文本）。反过来，任何让资产脱离工作流语境的用法（比如把 C 组召回病例当纯阴性训练读片模型）都要先想清楚引入了什么偏倚。

附录 Q：引用本库前的八项自查

规模写 558/558（不是 1,110）；
恶性写「活检证实恶性 271（48.6%）」（不是「48.5%」与 preprint 混用）；
论文引用 DOI 前缀 10.64898；
获取方式写「注册+DUA」，别写「公开下载」；
许可写具名协议+非商业，别写开源；
别把 HF 650 MB 样本包当全量引用；
与 ddti（甲状腺）明确切割；
报告观察者间一致性「未公开」而不是「已验证」。

附录 R：版本与抓取存照

抓取时点：2026-10-09（本条目 FACTS.md 同日存档）；
preprint 版本：v1（medRxiv 2026.03.03.25337924）；
HF 仓库状态：iMerit/3D-MammographyDataset，Size <1K，650 MB（抓取时点口径）；
官方页：imerit.net/3d-mammogram-dataset/（含 Dataset Summary 与 FAQ 的抓取时点内容）；
下载表单：segmed.ai/resources/ai-for-impact-on-breast-cancer-dataset-form（抓取时点在线）；
同行评审状态：未检出期刊版（检索时点口径，后续可能变化）。

以上所有数字与条款以三源（官方页/medRxiv/HF）抓取时点为准；三方一致处为硬事实，出入处见附录 F 存照表。

附录 S：DBT 成像小课（给从 2D 迁移来的团队）

为什么 DBT 是「准三维」：球管在有限弧度（约 15-50 度，因厂商而异）内采集十余到数十张低剂量投影，重建算法把不同深度的组织层面分开，输出层厚约 1mm 级的切片堆栈——对比 CT 的各向同性体素，DBT 的层间分辨率远低于层内分辨率，故称 quasi-3D。工程含义：3D 卷积不是无脑搬，层内 2D 主干+层间轻量聚合（2.5D）常是性价比最高的起点。

剂量与体位：单次 DBT 采集剂量与 2D 钼靶同量级（叠加采集时用薄层合成图像替代额外 2D 暴露）；每例标准体位为双侧 CC+MLO——本库的「至少 4 view」即来源于此。

为什么 DBT 对 AI 是不同的题：2D 钼靶的「组织重叠假象」在 DBT 中被物理性消除，但薄层把一个病灶摊到多个层面上——2D 里「一个框」，3D 里是「跨层轮廓」。本库的分割标注因此是三维劳动，其价值与成本都来自这里。

读片范式差异：放射科医师读 DBT 是「逐层滑动+对称对照」，本库标注平台的对称对齐能力（§3.5）就是这种范式的工具化。算法侧模仿这个范式的注意力/翻滚机制，往往比直接上 3D U-Net 更贴合数据特性。

附录 T：DBT 临床试验证据链速查

试验/研究	年份·期刊	设计一句话	核心结论
Niklason et al.	1997 · Radiology	DBT 技术奠基论文	提出断层合成乳腺成像原理
STORM	2013 · Lancet Oncol	前瞻人群对比筛查	DBT+2D 提高癌检出
Skaane et al.	2013 · Radiology	人群筛查项目对比	DBT+2M 提高检出、降低假召回
Friedewald et al.	2014 · JAMA	DBT+2D vs 2D 回顾	召回率↓、癌检出率↑
Rafferty et al.	2016 · JAMA	致密/非致密分层	致密乳腺获益明确
McDonald et al.	2016 · JAMA Oncol	三年结局分析	浸润性癌检出持续获益

（Skaane 行「DBT+2M」为「DBT+2D mammography」之缩写惯例；六篇均为 DBT-2026 preprint 引文，引用时回溯原文核对。）

附录 U：BI-RADS 全级别速览（本库只用 0/1/2）

级别	含义	常规处置	在本库
0	评估不完整，需补充影像	召回补拍/超声	✓（召回路径入口）
1	阴性	常规筛查间隔	✓
2	良性征象	常规筛查间隔	✓
3	可能良性，短期随访	6 个月随访	✗ 排除
4	可疑异常（4A/4B/4C）	活检意向	✗ 排除
5	高度提示恶性	活检/治疗路径	✗ 排除
6	已证实恶性，评估范围	治疗决策中	✗ 排除

本库把 0/1/2 收进来、3-6 排除出去——「筛查世界」与「诊断世界」的分界就是 2 与 3 之间。这个选择让库内病灶天然偏小（85% <2 cm）偏隐蔽，决定了它的题型是检测与分割，而非「明显病灶的定性」。

附录 V：术语表补遗之二（6 条，术语表合计 30 条）

准各向异性体数据：层内分辨率高、层厚大的三维数据形态，重采样与 3D 卷积设计的主要约束。
薄层合成图像（synthesized 2D）：由 DBT 体数据重建出的伪 2D 图，替代额外 2D 暴露；本库未宣称包含该产物，以 DICOM 内容为准。
Spot compression（点压）：对可疑区域加压补照的体位；本库入组标准未纳入此类非常规体位，逐例 view 清点时如出现应核对元数据。
结构性阅读（structured reading）：按固定清单逐项评估的读片方式，Ango 平台的结构化报告功能即为此服务。
数据驻留（data enclave）：数据不出平台、分析代码进平台的合规模式；Q29 竞赛场景的推荐架构。
金标准强度分级：病理活检 > 影像随访 > 临床印象的证据层级；引用本库结论时声明所用层级（A+D 为病理级，B/C 为临床级）。

附录 W：事实清单补遗之二（6 条，事实清单合计 36 条）

入组排除三项：乳房植入物、既往乳腺/腋窝手术、乳腺癌病史（preprint 入组标准）。
队列富集策略明示：「prioritizing patients with biopsy-proven malignancies」（preprint 数据构建段）。
报告与图像去标识后由临床专家人工复核且未检出 PHI（preprint 去标识段，复核者 L.P.）。
标注争议处理机制：二次复核+共识（preprint 标注段 Doer-Checker 描述）。
官方页明示数据集经「U.S. board-certified radiologists」审查背书（发布页宣示）。
preprint 讨论自述数据集独特性：「high quality DBT exams with strong ground truth information (biopsy or follow-up)」。

附录 AA：数据集卡片（Dataset Card 英文骨架）

发布自己的模型/论文时，可基于此骨架撰写 dataset card（数字口径已与本条目对齐）：

Dataset Card: 3D Mammogram Dataset (DBT-2026)

- Curated by: iMerit x Segmed x Advocate Health
- Paper: medRxiv 2026.03.03.25337924, doi:10.64898/2026.03.03.25337924
- Modality: Digital Breast Tomosynthesis (DBT)
- Instances: 558 screening exams from 558 female patients (age 57.5+/-11.1)
- Cohort groups: A biopsy-proven malignant 271 (48.6%) / B benign 140 /
  C non-cancer callback 115 / D biopsy-proven benign 32
- Annotations: expert segmentation, lesion localization, characterization,
  measurement (US-expert protocol, India-based fellowship-trained breast
  radiologists, Doer-Checker review, US MQSA radiologist final QA)
- Assets: compressed DICOM (1 view = 1 file = 1 volume), NRRD, JSON
  annotations, CSV/XLSX metadata, de-identified free-text radiology reports
- De-identification: OCR (burned-in text) + NLP/LLM (18 HIPAA PHI types)
  + manual clinical review
- Access: registration + credentialing + DUA via
  segmed.ai/resources/ai-for-impact-on-breast-cancer-dataset-form
  (HF sample: iMerit/3D-MammographyDataset, 650 MB)
- License: Segmed-iMerit Joint Research Use Agreement
  (non-commercial research only; no redistribution; no re-identification;
  no clinical decision use; rights with authors and Segmed)
- Known limitations: single-hospital source (US Midwest); enriched cohort
  (not natural prevalence); exam-count discrepancy 558 (abstract) vs 1,110
  (discussion) unresolved; no official benchmark; acquisition period and
  device models undisclosed

（英文骨架中的数字均为本条目存照口径；发布时若官方已更新版本，逐项复核后再用。）

附录 BB：preprint 方法节精读笔记（逐段要点）

对 medRxiv preprint「Materials & Methods — Resulting dataset」段的精读拆解，供撰写相关工作/复现协议时快速引用：

伦理与合规定位：回顾性设计，个人知情同意豁免；PHI 全部移除——两句话同时回应了 IRB 与隐私两个审稿常问题。
采集基础设施：Segmed Piper 与医院 PACS「自动连接」——强调采集是平台化而非人工导出，可复用性与规模弹性在此。
烧录文字处理：OCR 先行——很多数据集论文跳过这一步，本 preprint 把它写进方法学，是「影像+文本」双资产的必要交代。
文本去标识：NLP+LLM 组合去 18 类 HIPAA PHI，再加临床专家人工复核（未检出 PHI）——「自动化+人工兜底」的表述可直接引用为去标识 SOP 依据。
队列检索：Segmed Openda 按模态/部位/报告/DICOM 元数据搜索，限定美国中西部——地域范围在此披露，单中心属性的来源。
入组与排除：五条标准（见 §2.1）逐条可引用；「优先纳入活检证实恶性」的富集策略原文为 “enriched by prioritizing…”，引用时保留原词。
标注人力：iMerit Scholars 平台招募的印度资深乳腺放射医师；「标准化协议由美国临床专家制定」——人力结构与质控归属在此分层。
标注平台：Ango Radiology Annotation Suite 的三个关键词——结构化报告、校准测量工具、审计跟踪版本控制。
工作流：Doer–Checker 两步 + 分歧二次复核共识 + 美国 MQSA 认证医师终审——四句即可完整转述的质控链。
发布与条款：表单地址、注册+credentialing+DUA、非商业/禁再分发/禁再识别/禁临床决策、版权归作者与 Segmed、逐案审核——条款部分共五句，全部可直引。
结果段数字：558 exams / 558 patients、四组 271/140/115/32、平均年龄 57.5±11.1——与官方页的差异点（48.5/48.6、287 聚合）见本条目存照。
讨论段自曝：单中心局限、不可商用、1,110 口径（疑误）、多中心扩展通道——讨论段是「引用其自认局限」的最佳出处。

附录 CC：同一研究问题的「同题异构」对照

以三个典型研究问题为例，看它在库内 2D 库与本库中的实现差异——适合写相关工作时组织对比段落：

问题一：病灶分割

CBIS-DDSM（541）：2D ROI 级掩码，乳腺组织/肿块/钙化三任务，直链可得；
本库：三维体逐层分割轮廓+测量，标注含表征与部位；
对照点：2D 掩码评测 IoU 单层即可，本库需定义 3D IoU 或逐层聚合口径——先定评测协议再跑模型。

问题二：良恶性分类

VinDr-Mammo（543）：BI-RADS 四级别分类，两万例级，影像印象标签；
本库：四组临床路径标签，558 例，病理金标准子集 303 例；
对照点：前者「大数据+弱标签」，后者「小数据+强标签」——同样的分类器在两边会学到不同的决策边界，跨库迁移是论文级贡献点。

问题三：筛查工作流模拟

MIAS（801）/INbreast（542）：仅影像+简单标签，无法建模召回路径；
本库：BI-RADS 0/1/2 入组+召回组（C）+随访金标准，可模拟「读片→召回→活检」决策链；
对照点：富集队列的患病率失真使模拟只能做相对比较（策略 A vs B），不能外推绝对筛查收益。

附录 DD：引用 BibTeX 骨架

@article{dbt2026,
  title   = {DBT-2026, a de-identified publicly available dataset of
             digital breast tomosynthesis exams with ground truth biopsies},
  author  = {Wu, Jie and Perandini, Luiz and Batra, Tushar and
             Igoshin, Sergei and Bari, Sina and de Araujo, Aline L. and
             Willemink, Martin J.},
  journal = {medRxiv},
  year    = {2026},
  note    = {2026.03.03.25337924; doi:10.64898/2026.03.03.25337924;
             preprint, not peer-reviewed at time of writing}
}

（作者名的名/姓拆分按 medRxiv 引用格式推定，投稿前以 preprint 页面署名原文复核；「not peer-reviewed」注记建议保留至期刊版出现。）

附录 EE：从获取到发表的合规时间线示例

以「DBT 病灶分割方法研究」为假想课题的合规排期示例（可按实际课题缩放）：

阶段	时间	动作	合规锚点
W0	第 1 天	下载 HF 样本包，打通 DICOM 读取	样本包许可同 DUA（非商业）
W0	第 1-2 天	提交 Segmed 表单（个人注册+机构信息+用途陈述）	每位研究者单独签署
W1	等待期	用库内 2D 库搭 2D 基线；预写 3D 管线单测	不碰未授权数据
W2	数据到手	十项数据体检（§2.9）；存储环境权限组隔离	禁散拷/公共网盘
W3-8	实验期	按附录 O 选题推进；实验记录绑定 case_id 三元组	不外发中间数据
W9	成稿	数字引用按附录 FF 速查表核对	引用纪律 §8.4
W10	投稿	数据可用性声明指向 Segmed 表单+DUA；引用 BibTeX（附录 DD）	声明「非商业研究使用」
发表后	持续	代码开源不含数据片段；权重可开源（Q27）	数据链接回表单

三条原则贯穿全程：数据不落个人设备、合作者各自签约、发表物只含结果不含数据本体。

附录 FF：数据集数字引用速查表

所有可引用硬数字与推荐口径（出处编号对应附录 C 证据链）：

数字	推荐口径	出处	注意
558 / 558	558 例患者 / 558 个 DBT 检查	preprint 摘要	勿用讨论段 1,110
271（48.6%）	活检证实恶性 271 例，占 48.6%	preprint 讨论	官方页 48.5% 并存
140 / 115 / 32	良性 / 非癌召回 / 活检证实良性	preprint 结果	四组合计=558
287（51.5%）	官方页良性聚合口径	官方页	与四组口径二选一并注明
57.5±11.1 岁	平均年龄（全女性，≥18 岁）	preprint Table 1	—
1.34 cm / 85%	病灶平均尺寸 / <2 cm 占比	官方页	仅官方页来源
≥4 view	每例至少 4 个三维体（双侧 CC+MLO）	preprint 入组标准	实际分布待全量验证
BI-RADS 0/1/2	入组筛查评分限定	preprint 入组标准	3-6 排除
650 MB / <1K	HF 样本包规模	HF 页面	不是全量
5,060 / 22,032 / 1,526 GB	对照库 BCS-DBT 规模	TCIA	比较时注明口径差异
18 类 PHI	去标识处理的 HIPAA 标识符类别数	preprint	—
3,900 万次/年	全球乳腺筛查量背景	preprint 引言	背景，非本库数字

附录 GG：库内互链声明（正式版）

本条目（3d-mammogram）与库内条目的互链关系及理由，逐条声明：

vindr-mammo（rid 543）：互链。2D 钼靶大规模 BI-RADS 基准；与本库构成「2D 大规模 vs 3D 小而精」光谱两端（frontmatter relatedLink 已含）。
cbis-ddsm（rid 541）：互链。2D 病理证实评测经典；与本库同为「病理金标准」取向（relatedLink 已含）。
inbreast（rid 542）：互链。高精度标注 2D 钼靶；「少而精」哲学的 2D 先例（relatedLink 已含）。
bcdr（rid 800）：互链。库内唯一其他含 DBT 形态数据的条目；交付形态与本库差异见 §8.3（relatedLink 已含）。
mias（rid 801）：互链。经典小库；三十年谱系对照（§6.8）。
tn-mammo-breast-density（rid 628）/ swiss-mammo（rid 627）：弱相关。多视图密度分级与德文合成报告，影像-文本方向的对照（正文 §8 未展开，仅此处存照）。
ddti（rid 536）：不互链。甲状腺超声库，缩写形似；防混淆声明见 §8.3。

互链实现：frontmatter relatedLink 四条站内 URL（543/541/542/800）；其余经正文 §6.5/§6.8/§8 引导。

附录 HH：审稿人常问十题速答（用本库投稿时备用）

「单中心数据，泛化性？」——答：方法开发定位；已用 BCS-DBT 做外部验证（或列为局限），preprint 作者提供多中心扩展通道（§7.4）。
「558 例够吗？」——答：48.6% 活检证实恶性的富集队列，监督密度等价于数千例低密度队列的阳性样本量；并给出学习曲线实验佐证。
「患病率不真实？」——答：研究设计为检测/分割方法验证，不做患病率敏感主张（§4.2 三条代价已识别并规避）。
「为什么不用 DBTex 排行榜数据？」——答：BCS-DBT/DBTex 用于外部验证或横向对比；本库提供活检金标准与报告文本，两个基准不可互替（§6.1 表）。
「标注可信度？」——答：协议+Doer–Checker+MQSA 终审的完整链条（§3.2）；一致性统计未公开是数据集局限，我们补充了子样本复审（如做了）。
「1,110 还是 558？」——答：采用 preprint 摘要口径 558，讨论段 1,110 为已知口径矛盾，本稿全部按 558 并在附录存照（坑 4）。
「许可允许发表吗？」——答：DUA 限制数据流转与用途性质，不限制学术发表；数据可用性声明指向官方表单（Q28）。
「为什么不做商业部署？」——答：DUA 明文非商业+禁临床决策；商用路径是与版权方另行授权（§5.3）。
「与 2D 钼靶工作比增量是什么？」——答：三维体消除组织重叠+配对报告文本；对照组设计见附录 CC 的同题异构表。
「数据会开源吗？」——答：不会且不被允许（禁再分发）；开源的是代码与模型权重，数据获取走统一表单保证同等合规（Q27）。

附录 II：本条目检索关键词全集（站内与站外）

站内（本库检索框）：3d-mammogram、3D Mammogram、DBT、数字乳腺断层、3D 钼靶、乳腺断层、tomosynthesis、乳腺影像、乳腺癌、X光影像。

站外（学术检索）：3D Mammogram Dataset、DBT-2026、iMerit 3D mammography、Segmed DBT、Advocate Health tomosynthesis、de-identified DBT biopsy、digital breast tomosynthesis public dataset、3D-MammographyDataset（HF）。

负向排除词：ddti（甲状腺）、DDTI（同名缩写的甲状腺超声库）、DST/DBT 其他领域缩写。

检索建议组合：DBT + biopsy-proven（区分本库与 BCS-DBT 的最快特征词）；3D mammogram + 558（规模指纹）。

附录 JJ：机器可读元信息摘要

供下游脚本/索引程序直接消费的本数据集元信息（与本条目 frontmatter 同口径的 YAML 片段）：

dataset:
  official_name: "3D Mammogram Dataset"
  internal_name: "DBT-2026"
  hf_repo: "iMerit/3D-MammographyDataset"
  publishers: ["iMerit", "Segmed", "Advocate Health"]
  paper:
    venue: "medRxiv"
    id: "2026.03.03.25337924"
    doi: "10.64898/2026.03.03.25337924"
    year: 2026
    peer_reviewed: false
  modality: "digital breast tomosynthesis (DBT)"
  scale:
    patients: 558
    exams: 558
    views_per_exam_min: 4
    disclaimer: "discussion section mentions 1,110 exams (unresolved)"
  cohort:
    A_biopsy_proven_malignant: 271
    B_benign: 140
    C_non_cancer_callback: 115
    D_biopsy_proven_benign: 32
    malignant_share_official: 0.486
  demographics:
    sex: "all female"
    age_min: 18
    age_mean: 57.5
    age_sd: 11.1
    birads_included: [0, 1, 2]
  lesions:
    mean_size_cm: 1.34
    share_below_2cm: 0.85
  formats: ["DICOM (1 view = 1 volume)", "NRRD", "JSON", "CSV/XLSX"]
  text_asset: "de-identified free-text radiology reports"
  access:
    full_dataset: "segmed.ai/resources/ai-for-impact-on-breast-cancer-dataset-form"
    sample: "huggingface.co/datasets/iMerit/3D-MammographyDataset"
    requirements: ["registration", "credentialing", "DUA"]
  license:
    name: "Segmed–iMerit Joint Research Use Agreement"
    commercial_use: false
    redistribution: false
    re_identification: false
    clinical_decision_use: false
    rights_holder: "authors and Segmed"
  limitations:
    - "single hospital (US Midwest)"
    - "enriched cohort, not natural prevalence"
    - "no official benchmark"
    - "no inter-observer agreement statistics"
    - "acquisition period and device models undisclosed"

（YAML 片段中的数字与本条目正文一致；1,110 与未披露项以 disclaimer/limitations 显式携带，避免下游程序误读。）

附录 X：2D→DBT 迁移概念映射表

从库内 2D 乳腺条目迁移到本库时的概念对照：

2D 世界（库内既有）	DBT 世界（本库）	迁移注意
一张 CC/MLO 图像	一个 CC/MLO 三维体（数十至上百层）	输入维度升维；显存策略重设计
病灶单框	跨层轮廓/分割	标注消耗层指数上升；评测用 3D IoU
BI-RADS 分级标签	四组处置路径标签	语义从「影像印象」变「临床结局」
钙化形态学描述	跨层钙化追踪	小病灶跨层消失问题（DBT 特有难点）
对称对比（左右两图）	对称对比（左右两堆体数据）	同一先验，数据量翻倍
报告=结构化标签	报告=自由文本	多模态接口从查表变生成

附录 Y：八条失败模式预演

拿样本包当全量发论文——规模穿帮（坑 2 的执行版）；
按 view 切训练测试集——患者泄漏，指标虚高（§2.7）；
把 C 组当阴性背景——假阳性画像被污染，检测阈值失真（附录 N）；
用 2D 阅读习惯检查标注——跨层轮廓在单层切片上「看着错」，误报标注质量事故（附录 S）；
商用演示引用官方页「commercial」字样——法务风险（坑 5）；
数据转发给合作单位——DUA 违约，全组信誉受损（Q26）；
报告文本按句子切分训练——丢失 case 级语境，生成器幻觉加重（Q24）；
在 558 例上堆大模型参数——监督密度再高也撑不起过参模型，先小后大（Q40）。

每条失败模式都对应正文的一个锚点——预演的价值在于：写实验计划时把对应锚点变成 checklist 条目。

附录 Z：三类读者精读路径

研究者（写论文用）：§0 → §2.2（四组口径）→ §4 全部（人群与偏倚）→ §6.1（与 BCS-DBT 对照）→ 附录 F（存照表）→ 附录 O（选题）。关键动作：把 §4.2 的三条代价写进 limitation。

工程师（跑通管线）：§2.3（文件形态）→ §2.6（DICOM 要点）→ §2.7（schema 三层）→ §2.9（十项体检）→ §2.10（工具矩阵）→ 附录 E（代码骨架）。关键动作：第 1 天用样本包打通读取+标注对齐，全量到手即体检。

编辑/审校（把关数字）：§1（十问十答）→ §8.4（引用纪律）→ §9（八坑）→ 附录 Q（八项自查）→ 附录 R（版本存照）。关键动作：对照附录 F 逐条核数字口径，重点盯 558/1,110 与 48.5/48.6 两处。

维度	内容
本质	iMerit × Segmed × Advocate Health 联合发布的开放标注 DBT（数字乳腺断层摄影/3D 乳腺 X 线）数据集，preprint 内部名 DBT-2026
规模	558 例患者 / 558 个 DBT 筛查检查（讨论章节另有 1,110 口径，存照）；每例双侧 CC+MLO 至少 4 个三维体数据
四组	A 271 活检证实恶性（48.6%）／B 140 良性／C 115 非癌召回／D 32 活检证实良性；聚合口径 271 恶性 vs 287 良性
人群	全女性、≥18 岁、平均年龄 57.5±11.1 岁；BI-RADS 0/1/2；平均病灶 1.34 cm、约 85% 病灶 <2 cm
标注	印度资深乳腺放射医师分割/定位/表征/测量 → Doer–Checker 两步复核 → 美国 MQSA 认证医师终审
文本	去标识自由文本放射报告（OCR+NLP+LLM 去 18 类 HIPAA PHI + 人工复核）
格式	压缩 DICOM（1 view=1 文件=1 个 3D 体）+ NRRD + 结构化 JSON + metadata.xlsx + CSV
获取	全量走 Segmed 表单（注册+credentialing+DUA，逐案审核）；HuggingFace 有 650 MB 样本包（iMerit/3D-MammographyDataset）
许可	Segmed–iMerit Joint Research Use Agreement：非商业研究专用，禁再分发、禁再识别、禁临床决策；版权归作者与 Segmed
论文	medRxiv preprint，doi:10.64898/2026.03.03.25337924（2026-03，Wu J 等 7 人）
定位	DBT 公开数据集中活检 ground truth 密度最高（恶性 48.6%）的小而精标注库；对标 Duke BCS-DBT（5,060 患者）的大而全
库内互链	VinDr-Mammo(543)、CBIS-DDSM(541)、INbreast(542)、BCDR(800)、MIAS(801)