对侧乳腺 MRI 影像集（ACRIN 6667）

ACRIN-Contralateral-Breast-MR 是美国放射影像网络（ACRIN）6667 号试验的影像侧，托管在 TCIA 上。试验要回答的问题很具体：一位女性刚被诊断为一侧乳腺癌，另一侧乳腺的钼靶与触诊都干净，此时再给她做一次增强 MRI，能不能在另一侧找到被常规检查漏掉的癌。入组的是单侧乳腺癌患者，扫描的是没有患病的那一侧，扫描时机卡在化疗开始之前。

这个集合的分量不在图像数量。六十余万张图在今天的公开影像库里只算中等，真正稀缺的是它的设计位置：它把「确诊之后、治疗之前」这个极短的窗口固定下来，把「对侧乳腺」这个特定的解剖部位单独成像，并且给每个人都配了活检或随访构成的参照标准。绝大多数公开乳腺 MRI 数据是诊断性的——已有病灶，来做表征；这一份是筛查性的——尚无病灶，来找病灶。

边界要先说清。它是试验的影像子集，不是试验全部：入组千余人，影像收录 984 例，进入主分析的 969 人。它没有勾画、没有 BI-RADS 评分、没有病理切片，判读结论以表单字段的形式躺在临床数据里。下文先给一屏速览，再按结构、口径、获取与边界逐层展开。一屏速览见下表。

维度	内容
官方名	ACRIN-Contralateral-Breast-MR，副题「Magnetic Resonance Imaging in Women Recently Diagnosed With Unilateral Breast Cancer (ACRIN-6667)」
试验编号	ACRIN 6667，注册号 NCT00058058
执行机构	ACRIN（美国放射影像网络，后并入 ECOG-ACRIN），NCI 资助
托管方	The Cancer Imaging Archive（TCIA），另有 IDC 云镜像
规模	984 例受试者 / 1,103 个检查 / 10,184 个序列 / 626,782 张图像 / 199.59 GB
模态	MR 与 CR 两种，MR 为绝对主体
成像对象	未患病侧乳腺，化疗开始前、距阴性钼靶 90 天内
临床数据	按病例报告表分表的 CSV，配表单字典，ZIP 与 XLSX 打包，278.77 kb
数据类别	Demographic、Diagnosis、Other 三类
许可	CC BY 4.0，影像与临床数据均公开直链，非申请制
版本	Version 1，2021-03-05，状态 Complete
数据引用	Kinahan 等，2021，DOI 10.7937/Q1EE-J082
主论文	Lehman 等，N Engl J Med 2007;356(13):1295-1303，DOI 10.1056/NEJMoa065447
明确不含	病灶勾画、BI-RADS 判读文件、病理切片、钼靶原图、基因组、对照组
库内姊妹	acrin-nsclc-fdg-pet（ACRIN 6668）、hnpet-fdg（ACRIN 6685）、ct-colonography（ACRIN 6664）

§1 它是什么：一次「往另一侧看」的试验留下的影像

1.1 试验设计与影像侧的关系

ACRIN 6667 是一项前瞻性、多中心、单臂的诊断试验。入组条件是近期确诊单侧乳腺癌，且对侧乳腺的钼靶与临床触诊均为阴性或良性；入组后接受一次对侧乳腺的增强 MRI；MRI 阳性者做活检，阴性者进入随访。参考标准由两部分组成：活检结果，以及随访期满仍无证据者判为无癌。这一套设计在注册页与论文方法段都写得清楚，影像侧只是它的一个产物。

影像侧的形成路径与那代 ACRIN 试验一致。各中心把 DICOM 上传到 ACRIN 的影像库，上传时经 TRIAD 软件做初次匿名化；临床试验管理系统里另有一套表单数据，由各中心提交、人工录入、再由统计中心剥离身份信息后按表单导出。两条链在分析阶段才汇合，汇合键是受试者编号，而不是任何影像特征。

因此这个集合天然分成两半：一半是 DICOM，一半是 CSV。前者可以用任何 DICOM 工具读，后者必须先读字典才能解释列名。两半都不含对方的信息——影像里没有病理结论，表格里没有像素。想让它们对话，需要自己做一次连接。

1.2 三个口径，三个答案

问「这个数据集有多大」，会得到三个都正确、但所指不同的答案。

口径	人数	含义
试验入组	1,007	注册页记录的 actual enrollment，2003 年 2 月至 2006 年 8 月
影像收录	984	TCIA 上有影像与临床记录的受试者
主分析	969	完成 MRI、符合分析条件的人，论文的所有效能指标基于此

三者不是严格的嵌套关系。984 与 969 之间相差 15 人，官方只说明「因研究标准」未进入主分析，未逐例给出原因；试验入组与影像收录之间相差二十余人，差额的构成同样没有公开。做方法学描述时，如果研究对象是「TCIA 上能下到的影像」，写 984；如果复现论文结论，写 969；如果讨论试验规模，回到注册页的记录。把三者混写，审稿人一定会追问。

1.3 你的处境，它能帮什么

你的处境	它能帮你什么	你要自己补什么
研究对侧同步癌的影像表现	984 例真实的「一侧确诊、另一侧干净」队列，参照标准完整	病灶位置要自己读、自己勾；阳性例的影像与病理对应关系要自己建
做乳腺 MRI 的筛查效能方法学	前瞻设计、统一入组条件、统一扫描时机，比单中心回顾数据干净	效能指标要自己从表单重算；论文的分母口径要自己对齐
给乳腺影像基础模型找语料	规模适中、许可干净、全部是增强序列，适合做预训练或域适应	无病灶标签，弱监督标签只能从召回与活检字段反推
研究召回与活检的决策链	表单里保留了判读、召回、活检、病理的完整链路	表单是长表，需按字典拼成宽表；缺失与编码要自己处理
做跨数据集的外部验证	与诊断性乳腺 MRI 集合形成「筛查 vs 诊断」的对照	扫描协议、机型、场强需从 DICOM 头自己抽，不能假设一致

1.4 不适合谁：五条边界

第一，不适合需要病灶级标注的人。集合里没有任何勾画、坐标或掩膜。所有阳性例的病灶位置只存在于原始影像与病理报告的文字里，后者也不在公开包内。做检测或分割，标签必须从零建立。

第二，不适合需要对照组的人。试验是单臂设计，人人都做 MRI，没有「只做钼靶」的平行组。任何「MRI 比钼靶多检出多少」的因果表述，都超出这份数据的识别能力；它只能支持「在同一群人身上，MRI 找到了钼靶没找到的东西」这一层描述。

第三，不适合需要钼靶图像的人。入组条件要求对侧钼靶阴性，但钼靶原始图像不在这个 collection 里，只有一个「阴性」的结论写在表单里。想做钼靶与 MRI 的配对读片，得另找数据。

第四，不适合需要长期结局的人。随访按 12 至 18 个月、24 至 30 个月两个窗口安排，之后没有长期生存或复发记录。做十年预后模型，这份数据给不了。

第五，不适合把 984 当试验全体的人。差额的构成未公开，任何以「试验共 984 例」开头的表述都不准确。

1.5 一句话判断

如果你要的是一批「确诊后、治疗前、对侧乳腺」的增强 MRI，并且能接受自己读片、自己勾画、自己从表单拼标签，这个集合的设计位置几乎无可替代；如果你要的是一张「影像 + 病灶框」的现成训练表，它离那一步差着整个标注工程。

1.6 与诊断性乳腺 MRI 集合的结构差异

诊断性乳腺 MRI 集合的样本选择逻辑是「已经有病灶」。患者因为体检异常、钼靶可疑或高危因素被转来做 MRI，影像的任务是表征已知病变：大小、形态、强化曲线、多灶性。这类数据的标签来自病理，通常按病灶给，一个患者可能有多个病灶。

这份数据的逻辑相反：入组时对侧乳腺被判定为干净，影像的任务是在干净的表象下找东西。标签因此是「人级」的：这个人最终被判定为对侧癌阳性或阴性，阳性者再做病灶级的病理描述。人级标签对分类任务是够的，对检测任务不够——模型需要知道「癌在哪里」，而这里只告诉它「这个人的这一侧有癌」。

这个差别会渗透到每一个使用环节。做分类，可以直接用召回与活检字段构造标签；做检测，必须先有一批人把病灶框出来；做分割，连框都没有。三种任务的成本差一个量级，而数据本身不会提示这一点。

§2 数据构成：984 例、两个模态、一次基线检查

2.1 规模与体量

官方页面给出四件套：984 位受试者、一千一百余个检查、一万余个序列、六十余万张图像，合计 199.59 GB。四个数字之间不是简单相乘，因为每次检查的序列数差别不小，而每个序列的层数又取决于扫描范围与层厚。

算平均形态：千余个检查分给 984 人，人均约 1.1 次；一万余个序列分给千余个检查，每次检查约 9 个序列；六十余万张图分给一万余个序列，每个序列约 60 张。这组比例指向一种典型结构——一次乳腺 MRI 由定位、若干组增强前与增强后的三维序列、以及减影或重建序列组成，每个序列几十层，刚好覆盖双侧或单侧乳腺。

体量与图像数的比例也值得记一笔：199.59 GB 分摊到六十余万张，每张约 0.33 MB。这个密度符合 16 位灰度、矩阵中等、层厚 1 至 3 毫米的乳腺 MRI，而不是高分辨率薄层 CT。做存储规划时按这个密度估算即可，不必假设每张都是大矩阵。

2.2 两个模态各自是什么

官方列的模态只有两种：MR 与 CR。

模态	全称	在这个集合里的角色
MR	Magnetic Resonance	主体。增强乳腺 MRI 的原始断面，承载全部诊断信息
CR	Computed Radiography	零散。平片类图像，多为定位片或检查过程中生成的投影图

CR 这一项需要谨慎对待。它是 X 线平片类的模态标签，不可能是乳腺 MRI 的断层数据；在乳腺 MRI 的 workflow 里，最常见的来源是扫描仪生成的定位投影或外院影像的翻拍。官方页面没有逐序列解释 CR 的来由，因此任何「CR 就是定位片」的说法都应视为推断，而不是事实。使用时按 Modality 过滤到 MR，是最稳妥的做法。

与那些动辄七八个模态混放的 ACRIN 集合相比，这份数据的模态很干净。干净的好处是过滤规则简单；坏处是没有同期 CT 或 PET 可做多模态融合，也没有平片可做「X 线与 MRI」的对照。想做多模态，得去别处找配对数据。

2.3 一次检查里有什么

collection 页没有逐序列列出扫描协议，但从试验设计可以确定几件事：扫描对象是对侧乳腺，不是双侧；扫描前静脉注射钆喷酸葡胺；扫描必须在化疗开始之前完成；且距对侧乳腺的阴性钼靶不超过 90 天。这四条约束把影像的时点与解剖范围都钉死了。

增强 MRI 的序列结构在各中心之间会有差异，但大体离不开三类：增强前的解剖序列，用于看腺体结构与脂肪抑制是否均匀；增强后的动态序列，在同一位置重复若干次，用于观察强化随时间的变化；以及由动态序列派生的减影或最大强度投影，用于快速浏览。每一类在不同的机器与协议下，层厚、矩阵、重复次数都可能不同。

这一点对使用者的实际含义是：不能假设所有序列都是同一套参数。做定量分析前，必须从 DICOM 头把 TR、TE、翻转角、层厚、矩阵、增强次数抽出来，按参数分组。跨中心的可比性只能在那之后讨论。

2.4 一条记录的解剖

取一名受试者，它在磁盘上的样子大致如下。层级是受试者 → 检查 → 序列 → 图像，同一个检查下的所有序列共享 StudyInstanceUID。

#-- 目录层级与关键 DICOM 标签（值为示意，非真实病例）
ACRIN-CONTRALATERAL-BREAST-MR/
  <PatientID>/
    <StudyInstanceUID_1>/            #-- 基线检查，多为唯一一次
      <SeriesInstanceUID_a>/         #-- 定位，层数少
      <SeriesInstanceUID_b>/         #-- 增强前解剖序列
      <SeriesInstanceUID_c>/         #-- 增强后动态序列，第 1 期
      <SeriesInstanceUID_d>/         #-- 增强后动态序列，第 2 期
      <SeriesInstanceUID_e>/         #-- 减影或重建
    <StudyInstanceUID_2>/            #-- 少数人的重复检查

#-- 读头可见的关键字段
PatientID                              = "<受试者编号>"
Modality                               = "MR"
StudyInstanceUID                       = "1.3.6.1.4.1..."
SeriesInstanceUID                      = "1.3.6.1.4.1..."
StudyDate                              = "19600101"   #-- 全部伪置
LongitudinalTemporalOffsetFromEvent    = "0"          #-- 偏移天数
SequenceVariant                        = "NONE"       #-- 原值缺失后的填充

第三层与第四层之间的比例最容易被忽略。一个检查下通常有近十个序列，其中真正承载增强动态信息的只有若干组，其余是定位、减影、重建。任何「按序列计数」的统计都会把这些辅助序列算进去，因此序列数不能当作「扫描次数」的代理，更不能当作「病例数」的代理。

2.5 临床数据：按表单拆，按字典读

临床数据不是一张宽表，而是一组按病例报告表拆分的 CSV。官方给出的读取路径是三步：先在表单字典里找到需要的信息在哪张表，再在对应的字典文件里找到该表元素的变量名与编码，最后到 CSV 里取列。

字典的形态可以举例说明。A0 是患者确认表，其字典文件（例如 6667_A0_Dictionary.csv）列出该表的每个元素：表单号、变量名、描述、数据类型，以及可选项的编码与文本对照，比如 1 表示否、2 表示是，1 表示基线、2 表示治疗后。官方示例给的是 A0 表的第 31d 号元素，记录的是从基准日到手术日的天数；在对应的 CSV 里，这一项占一列。

这套结构的优点是保真：每个字段都能追溯到原始表单的题号与选项，不会因为导出而丢失语义。缺点是使用成本：想得到一张「一人一行」的分析表，必须自己做多次连接与透视，而且每次都要查字典确认编码方向。官方没有提供现成的宽表，也没有提供字段清单的汇总文件，只有逐表的字典。

还有一层麻烦在于编码的方向不统一。同一份字典里，有的题目用 1 表示否、2 表示是，有的题目用 1 表示基线、2 表示治疗后，还有的题目直接填数值或日期偏移。若不先读字典就按列名猜含义，很容易把「2」当成数量而不是「是」。稳妥的做法是把每张表的字典先扫一遍，把变量名、类型与编码整理成一张对照清单，再写读取脚本；这份清单本身也应当随分析代码一起存档，否则半年后无法解释某一列是怎么来的。

2.6 版本与更新

这个 collection 只有一个公开版本：Version 1，更新日期 2021-03-05，状态 Complete。页面上的下载区、数据引用与 DOI 都指向这一版。

单版本意味着没有版本选择问题，也意味着没有扩充计划。对长期项目，这是好事——实验配置里写死 DOI 即可，不必担心某天数据被替换；对想要更大样本的人，这是限制——不会再有第二批数据补进来。引用时仍要写清版本与 DOI，因为 TCIA 的政策要求如此，而且未来若出现新版本，旧结论需要重新对齐。

2.7 磁盘上的形态与三条取数后果

用 Data Retriever 下载会得到一个按受试者组织、受试者目录下按检查、检查目录下按序列展开的目录树，每个序列目录里是逐张的 DICOM 文件。用 manifest 文件下载则只取清单里列出的序列，结构相同但内容可能不全。

第一是计数的含义。目录树里一个序列目录对应一个 SeriesInstanceUID，与页面上的序列数一一对应；但目录数不等于检查数，因为一次检查下有多个序列。用目录数当病例数，会高估十倍。

第二是去重的必要。同一个检查下常有增强前、增强后多期与减影等多个序列，它们共享 StudyInstanceUID，只有 SeriesInstanceUID 不同。按检查统计时必须先按 StudyInstanceUID 去重。

第三是过滤的时机。全量下载后再删 CR 序列，磁盘峰值要按 199.59 GB 留；先取清单、按模态过滤、再下载，峰值可以压到接近原量。对这个体量，差别不算致命，但反复试验流程时，每次重下都是时间成本。

这套目录没有随包发布「受试者-检查-模态」对照表。想要，只能自己扫一遍 DICOM 头生成。这也是后文第一段代码先扫头、不读像素的原因：先建索引，再谈分析。

§3 它要回答的临床问题

3.1 对侧乳腺的「看不见的癌」

一位女性因一侧乳腺的肿块确诊，接受影像评估时，另一侧乳腺通常也会被钼靶与触诊检查一遍。问题在于，这两项检查对某些癌并不敏感：致密腺体里的浸润性小叶癌、没有明显钙化的病灶，都可能在钼靶上隐没；触诊更难发现深部或体积小的病变。

临床上把这种在初诊时就已存在、但在对侧未被常规检查发现的癌称为同步对侧癌。它的存在会改变治疗计划——原本计划保乳的，可能要改；原本不需要对侧处理的，可能要加。因此「确诊后要不要给对侧做一次 MRI」成为一个真实的临床决策问题，而这个问题的答案不能靠单中心经验，需要前瞻、多中心、有统一参照标准的数据。

ACRIN 6667 就是为这个问题设计的。它的入组条件把「对侧钼靶与触诊阴性」写死，把「MRI 在化疗前完成」写死，把「阳性必须活检、阴性必须随访」写死。这三条写死，才让「MRI 到底找到了什么」变成一个可计数的问题。

3.2 结论的形态：检出与代价并存

论文的结论形态不是「MRI 应该常规做」，而是「MRI 能在钼靶与触诊之外找到一部分癌，但代价是一批假阳性带来的活检」。官方页面转述的结果里，既有检出的例数，也有因 MRI 阳性而做的活检例数，以及其中真阳性的比例。这两个数必须一起读：只看检出，会高估收益；只看活检，会低估价值。

这份数据的价值也在这里。它把收益与代价放在同一批人身上，让后来者可以重新计算阈值、重新评估不同亚组的净收益，而不必从零招募。至于具体的检出率、敏感度、特异度，本文不重复，理由很简单：那些是研究结论，不是数据集的结构参数；引用时应当回到论文，而不是从数据集的介绍里转引。

3.3 从影像到标签的链路

在这个试验里，一张 MRI 变成一条标签，要经过几道人工判断：影像是否可判读、是否发现可疑强化、是否召回做补充序列、是否建议活检、活检病理是良性还是恶性。每一道都记录在表单里，形成一条可以追溯的链。

这条链对做模型的人有直接用处。它意味着标签不是二元的「癌 / 无癌」，而是多级的：可判读性、召回决定、活检决定、病理结果。可以用它做多任务学习，也可以只取最后一环做二分类。但要注意，中间环节带有判读医师的主观性，不同中心、不同年份的判读标准可能有漂移；把这些中间标签当作金标准，会把判读差异学进模型。

3.4 为什么只做对侧，不做双侧

试验的成像对象是未患病侧，这一点常被误读为「只拍了患侧」。实际上，乳腺 MRI 的扫描范围通常覆盖双侧，因为定位与对比的需要；但试验的判读与终点只针对对侧。影像里可能包含患侧的部分结构，只是没有对应的判读标签。

这个设计选择有临床理由：患侧已经有确诊病灶，再做 MRI 的主要价值是分期（看多灶、看胸壁、看对侧），而那属于另一个问题；对侧则是「未知领域」，需要单独回答。把终点限定在对侧，能让效应估计更干净，代价是这份数据不适合研究患侧的分期问题。

3.5 与高危筛查 MRI 的差别

高危人群筛查 MRI 的入组依据是遗传或家族风险，扫描时双侧都没有已知癌，终点是「未来是否发生癌」。这份数据的入组依据是「一侧已经确诊」，扫描时另一侧被判定为干净，终点是「此刻另一侧是否已有癌」。前者是前瞻的风险监测，后者是横断的同步检出。

两者的影像看起来相似，标签的含义完全不同。高危筛查的阴性标签意味着「随访期内未发病」，这份数据的阴性标签意味着「活检或随访未发现癌」。做迁移学习时，如果把两者混在一起，标签的语义会被抹平，模型学到的可能是「扫描协议相似」而不是「癌的影像特征」。

§4 口径：试验设计与数据结构的对应关系

4.1 入组漏斗的四个数

环节	人数	说明
实际入组	1,007	注册页记录，2003-02 至 2006-08
完成 MRI 并进入主分析	969	论文的方法段口径
TCIA 影像收录	984	下载得到的受试者数
影像可用的例外	少 1 例	Case Number 120 的影像因损坏被移除，临床记录保留

这四个数不是一条严格的减法链。入组到主分析之间的 38 人，差额来自入组后不符合条件、未完成 MRI 或影像不可评估；984 与 969 之间的 15 人，官方只写「因研究标准」；而被移除影像的那一例，临床记录仍在，所以它在表格里存在、在影像目录里不存在。

做分析时，建议以「影像目录里有几例」为起点，再与表格的人数和论文的人数对账。三个数对不上是正常的，对不上时不要急着改数据，先确认自己的口径。

4.2 时间轴

试验的时间结构由三条规则固定：入组必须在单侧乳腺癌确诊后 60 天内；MRI 必须在化疗开始前完成；MRI 距对侧乳腺的阴性钼靶不得超过 90 天。随访安排在 12 至 18 个月与 24 至 30 个月两个窗口。

把时间轴画出来：确诊 → 对侧钼靶与触诊（阴性）→ 入组 → 对侧增强 MRI → 阳性者活检、阴性者随访 → 12 至 18 个月复查 → 24 至 30 个月再复查。论文的参照标准以 12 个月内的活检为核心，随访期满无证据者判为阴性。

这条轴决定了几件事。其一，MRI 与确诊之间的间隔很短，影像反映的是「治疗前的状态」，没有新辅助治疗的影响。其二，随访的两个窗口不是等距的，做时间-事件分析时不能假设均匀采样。其三，阴性标签的强度依赖随访完成度，失访者在数据里可能仍被记为阴性，这是这类设计的固有局限。

4.3 质控落在哪一层

多中心 MRI 最大的变量是机器与协议。这个试验在入组层面做了约束：扫描必须在化疗前、距阴性钼靶 90 天内；影像由各中心上传，经统一软件匿名化；试验有影像质控流程，但 collection 页没有展开逐中心的认证细节。

约束到「时点」与「流程」，不等于约束到「参数」。场强、线圈、序列类型、层厚、矩阵、增强剂剂量与注射速率，在不同中心之间仍可能不同。DICOM 头能读出其中一部分，但不是全部；做定量分析前，把这些字段抽出来看一眼，是必要的一步。

具体能读到的包括设备厂商、磁场强度、序列名称、重复时间与回波时间、层厚与层间距、像素间距、对比剂名称与给药时间；读不到或不可靠的包括重建算法、脂肪抑制的具体实现、以及各中心自定义的扫描顺序。前者足以支撑分层描述，后者只能通过原始协议或中心访谈补齐。对跨中心比较而言，这种「部分可见」是最实际的状态：既不能假设完全一致，也无法证明完全不一致。

4.4 为什么检查数多于人数

984 人对应一千一百余个检查，多出的一百余个检查来自几类情形：因 MRI 阳性而做的补充序列或重复检查、随访期的复查、以及少量派生检查。官方没有逐类拆分，因此不能把差额归因于某一类。

这个差额对分析的影响是：按检查划分训练集与测试集，会让同一个人的多次检查跨越边界，造成泄漏。正确做法是先按受试者划分，再在受试者内部决定用哪一次检查。对多数人只有一次检查的数据，这一点看似不重要；对有一百余个额外检查的数据，它足以把测试分数抬高几个百分点。

§5 怎么拿到：许可、路径与引用

5.1 CC BY 4.0 意味着什么

影像与临床数据的许可都是 CC BY 4.0。这比同系列一些集合的 CC BY 3.0 更新，条款更清晰：允许复制、分发、改编与商用，只要署名、附许可链接、标明是否修改，且不得暗示原作者为你背书。

公开直链意味着不需要申请、不需要签数据使用协议、不需要伦理审批的二次确认。页面上的 manifest 文件与临床数据压缩包可以直接下载。这对赶进度的项目很实际：当天就能开始探索，不必等审批。

宽松不等于无义务。TCIA 的数据使用政策要求在使用者成果中附 Data Citation 与 DOI，且不得尝试重新识别受试者。CC BY 4.0 本身要求署名与标明修改。对影像数据，还有一条行业共识：即便去标识，也不应把图像用于重新识别的尝试。

5.2 三条取数路径

路径	适合的人	代价	备注
TCIA Data Retriever	要完整下载或命令行批量取	需安装客户端，全量约 200 GB	官方推荐方式，可用 collection 名或 manifest
网页检索与按序列下载	只要几十个病例做探索	手点，效率低	适合核对 manifest 是否完整
IDC 云入口	要在云端筛选与分析，不想落盘	需熟悉 IDC 的表结构与查询接口	同一批影像的另一份索引，适合做 cohort 筛选

三条路径背后是同一批文件。IDC 的价值在于把 DICOM 重新索引成可查询的表，能按模态、序列描述、检查数量筛选；TCIA 的价值在于它是源头，版本、许可与统计口径以它为准。

5.3 取数时的三个具体动作

第一步，按 collection 名筛。TCIA 上的名字是 ACRIN-CONTRALATERAL-BREAST-MR，全大写连字符。搜索时容易撞上名称相近的乳腺 MRI 集合，认准这个名字与 DOI 就不会错。

第二步，按模态过滤。CR 序列对诊断分析没有用处，却会计入下载量与图像数。先过滤再下载，能省下可观的时间。

第三步，按受试者分组。用 PatientID 建索引，把同一人的多个检查归到一起，再决定用哪一次。这个动作不做，后面的划分会出错。

5.4 引用怎么写

引用分三层，缺一层都会削弱可复现性。

第一层是数据引用，TCIA 强制要求：Kinahan P、Muzi M、Bialecki B、Herman B、Coombs L，2021 年，《ACRIN-Contralateral-Breast-MR (ACRIN 6667)》，The Cancer Imaging Archive，DOI 10.7937/Q1EE-J082。版本与 DOI 都不能省。

第二层是临床论文：Lehman CD、Gatsonis C、Kuhl CK 等，《MRI Evaluation of the Contralateral Breast in Women with Recently Diagnosed Breast Cancer》，N Engl J Med 2007 年第 356 卷第 13 期 1295 至 1303 页，DOI 10.1056/NEJMoa065447。凡涉及试验设计、终点定义、参照标准的陈述，出处应指向这篇。

第三层是注册信息：NCT00058058。凡涉及入排标准、入组人数与时间窗口，注册记录与协议文件是最终依据。

5.5 与受控集合的实操差别

同系列的 ACRIN 6685（头颈）影像是受控数据，需要走申请；这一份不需要。差别很实际：可以当天开始，不必先等审批；代价是没有使用登记，也就无法从 TCIA 一侧知道有多少团队在用同一批数据。判断某个结论是否已被反复验证时，这是一个盲区。

5.6 下载与存储的实际规划

199.59 GB 不算大，但也不小。DICOM 是逐文件存储，小文件多，解压后的目录会比压缩包更大；规划磁盘时按两倍体量留余量是稳妥做法。

若只做影像分析，实际需要的部分是全量的大部分：MR 是主体，CR 可以全部略过。若只做临床层面的分析，连影像都不用下：临床数据压缩包只有几百 kb，几分钟就能拿到，够做队列描述、召回链路分析与样本量估算。先用表格判断这个队列是否适合自己的问题，再决定要不要下载影像，是一种被低估的用法。

§6 取数代码：从 collection 名到可用索引

6.1 先列清单，再决定下多少

不建议一上来就下两百个 GB。先取 series 清单，看清模态与序列构成，再决定过滤条件。

#-- 列出 collection 的 series 清单，先看模态构成再决定下载范围
from tcia_utils import nbia
from collections import Counter

series = nbia.getSeries(collection="ACRIN-CONTRALATERAL-BREAST-MR")
print("series 总数:", len(series))
print(Counter(s.get("Modality") for s in series).most_common())

清单拿到手后，通常会发现 CR 只占很小一部分。即便如此，按模态白名单下载仍能减少无效文件与解压时间。

6.2 从 DICOM 头还原检查结构

这个集合的日期全部伪置为 1960-01-01，时间信息靠 (0012,0052) 的偏移天数承载。先读头，不读像素，几分钟就能跑完全部文件。

#-- 只读 DICOM 头，建立受试者-检查-序列索引
import glob
from collections import defaultdict
import pydicom

studies = defaultdict(lambda: {"series": set(), "mods": set(), "offset": set()})
for path in glob.glob("ACRIN-CONTRALATERAL-BREAST-MR/**/*.dcm", recursive=True):
    ds = pydicom.dcmread(path, stop_before_pixels=True)
    key = (ds.PatientID, str(ds.StudyInstanceUID))
    studies[key]["series"].add(str(ds.SeriesInstanceUID))
    studies[key]["mods"].add(ds.Modality)
    off = getattr(ds, "LongitudinalTemporalOffsetFromEvent", None)
    if off is not None:
        studies[key]["offset"].add(str(off))

per_patient = defaultdict(int)
for (pid, uid) in studies:
    per_patient[pid] += 1

print("受试者数:", len(per_patient))
print("检查数:", len(studies))
print("人均检查数:", round(len(studies) / len(per_patient), 2))

跑完得到的两个数应当与页面上的受试者数与检查数接近。若检查数明显偏少，多半是 manifest 漏了序列；若受试者数偏多，多半是 PatientID 里混入了非受试者对象。

6.3 把临床表拼成一张宽表

临床数据按表单拆分，每张表配一份字典。读取顺序是先字典、后数据，避免把编码当成数值。

#-- 先读字典确认编码，再把需要的表单拼成一人一行
import glob
import pandas as pd

dicts = {p.split("/")[-1]: pd.read_csv(p)
         for p in glob.glob("clinical/*Dictionary*.csv")}
print("字典文件:", list(dicts)[:10])

forms = {p.split("/")[-1].replace(".csv", ""): pd.read_csv(p)
         for p in glob.glob("clinical/*.csv") if "Dictionary" not in p}
print("表单文件:", list(forms)[:10])

#-- 以受试者编号为键，按需选择表单做外连接
base = forms["A0"].set_index("patient_id")
for name, df in forms.items():
    if name == "A0":
        continue
    base = base.join(df.set_index("patient_id"), how="left", rsuffix=f"_{name}")

print(base.shape)
base.to_csv("cohort_wide.csv")

列名以实际字典为准，不要照抄示例。拼完之后第一件事是查重与对账：一人一行，人数应与影像侧的受试者数对得上；对不上，说明有表单用了不同的编号体系，或有人在某张表里出现了多行。

§7 质量与已知问题

7.0 读这一节前的一个前置校正

评估这个集合，最容易犯的错是拿「标注数据集」的标准来量它：问它有没有勾画、有没有病灶框、能不能直接算指标。这些维度上它必然不及格，因为它的定位从一开始就不是标注集，而是一项诊断试验留下的原始影像与表单。

合适的框架是另外四条：影像是否可比（时点、协议、质控是否统一）、结构与试验设计是否对得上（人数口径能否解释）、参照标准是否可得（表格能否支撑阳性与阴性的判定）、许可是否允许直接使用。按这四条看，它的表现与按「标注完备度」看完全不同。下面每一处扣分，都应读作「定位带来的取舍」，而不是「没做好」。

7.1 五维评分

维度	分数	依据
规模	3 / 5	984 例在公开乳腺 MRI 集合里属中等；「确诊后对侧」这一特定人群是稀缺部分
一致性	4 / 5	时点与解剖范围由协议钉死；扣分在场强、序列与重建参数未完全标准化
可用性	5 / 5	CC BY 4.0 直链，三条取数路径，无需申请
可追溯性	4 / 5	有 DOI、注册号、协议与病例报告表；扣分在差额人数未逐例说明
注释质量	1 / 5	无勾画、无病灶框、无判读结果文件，影像侧注释为零
临床配套	4 / 5	表单覆盖人口学、诊断、判读、活检、病理与随访；扣分在需查字典、无宽表

7.2 DAIMS 视角下的四条线

DAIMS 线	表现
数据获取与处理	上传走 TRIAD、匿名化与日期伪置有明确规则、统计中心统一导出，链条完整
数据建模	影像用 DICOM 原生模型，临床用「一表单一张表 + 字典」，两者无共享主键，需外部映射
数据溯源	DOI + 版本 + 注册号 + 协议与表单文件，粒度到版本而非逐例
数据使用与治理	CC BY 4.0 明确，署名义务明确，无使用登记

四条线里最弱的是建模。影像与临床没有共享主键，是这套数据结构里最实际的摩擦点；它意味着任何端到端流程的第一步都是一次手工映射，而这次映射没有官方对照表。

7.3 可枚举的偏差与缺口

第一，模态构成单一。只有 MR 与 CR，没有同期 CT、PET 或钼靶原图，做多模态融合要另找数据。

第二，CR 的来源未说明。官方只标了模态，没有解释这些平片类图像是定位片、外院影像还是别的来源，按 CR 过滤或保留都要自行判断。

第三，注释为零。没有勾画、没有病灶坐标、没有 BI-RADS 判读文件。任何病灶级任务，第一步都是自己读片与勾画。

第四，临床数据是长表。按表单拆分、需查字典、无宽表；字段的完整清单未在页面汇总，只能解压后逐表确认。

第五，人数口径分层。入组、收录、主分析三个数并存，差额的原因未逐例公开，做敏感性分析时无法判断缺失是否随机。

第六，个别影像缺失。Case Number 120 的影像因损坏被移除，临床记录保留；这意味着「有表格无影像」的个例会出现在连接结果里，代码要能容忍。

第七，日期粒度粗。表格只保留年份，DICOM 日期全部伪置，只有偏移天数可用；做精细时间分析要接受这个粒度。

第八，单臂设计。没有对照组，不能估计 MRI 相对于「不做 MRI」的净收益；只能描述在同一群人身上多发现了什么。

7.4 外部印证

角度	证据	结论
学术使用强度	collection 页显示两千余次浏览、两次引用	在专科乳腺 MRI 集合里属常用，但规模不及大型筛查集
云端可得性	IDC 收录同一批影像，提供独立的筛选入口	数据结构经得起二次索引，不是孤本
设计可追溯	注册页、协议文件、病例报告表均可获取	入排标准与终点定义可逐条核对
结论可复现	主论文的参照标准与表单字段能对上	数据基础足以支撑二次分析
长期可用性	2021 年发布后维持单版本，状态 Complete	停更风险低，但不会再有扩充

7.5 两个具体的失败模式

第一个失败模式是按检查划分数据。设想一个团队要训练「对侧乳腺是否有癌」的分类模型，把一千余个检查按 8:2 随机分成训练与测试。多数人只有一次检查，看起来没有问题；但有一百余个额外检查属于同一批人，这些人的影像会同时出现在两侧，模型可以靠体型、体位、扫描噪声把同一个人的检查配对，测试分数被抬高，外部验证时立刻回落。

正确做法是按受试者划分：同一个人要么整体进训练，要么整体进测试。对这个集合，这条规则比任何模型选择都更能决定结论的真假。

第二个失败模式是把召回当作癌。表单里有「是否召回」「是否活检」「病理结果」三个环节，前两个是过程指标，最后一个是结局。用召回做标签训练模型，学到的是「判读医师在什么情况下会召回」，而不是「什么样的乳腺有癌」。这两个目标在临床上都成立，但不能混为一谈；方法学部分必须写清用的是哪一层标签。

§8 生态位与历史

8.1 时间线

时间	事件
2003-02	试验开始入组
2006-08-08	主要完成日期，入组累计千余人
2007-03-29	主论文发表于 N Engl J Med
2008-08	试验完成，随访结束
2017-12	结果首次提交至 ClinicalTrials.gov
2021-03-05	TCIA 发布 Version 1，984 例

从这条线能读出两件事。其一是时滞：试验 2008 年完成，影像 2021 年才系统发布，中间隔了十三年。其二是发布的完整性：一次发布到位，此后没有增补，也没有修订。

8.2 ACRIN 四件套里的位置

库内已有三个同源集合，加上本篇构成一组可以对照阅读的样本。

集合	试验	癌种	影像规模	许可	结构特征
本篇	ACRIN 6667	对侧乳腺癌	984 例，199.59 GB	CC BY 4.0	单时间点，单臂，对侧筛查
acrin-nsclc-fdg-pet	ACRIN 6668 / RTOG 0235	局部晚期非小细胞肺癌	242 例，145.5 GB	CC BY 3.0	双时间点，纵向
hnpet-fdg	ACRIN 6685	头颈鳞癌	260 例，147.77 GB	影像受控，临床表 CC BY 4.0	影像 + 病理金标准 + 决策问卷
ct-colonography	ACRIN 6664	结直肠肿瘤筛查	825 例，496.67 GB	CC BY 3.0 / 4.0 分层	双体位 + 息肉描述表

四者的共同点是「一个试验对应一个明确的临床问题」，差别在问题的形状：6668 问「治疗前后代谢变化能否预测生存」，6685 问「影像是否改变了手术决策」，6664 问「CT 结肠成像与光学结肠镜的逐例对照」，本篇问「对侧乳腺里是否已有被常规检查漏掉的癌」。问题不同，数据结构就不同：纵向、决策、对照、筛查，四种形态各占一格。

许可上的差别也值得记住：6685 因 PET 可重建人脸而走受控，本篇与 6664 走公开。同一体系内许可不同，说明许可是按风险逐案判定的。

8.3 与库内其他乳腺影像集的分工

集合	与本文的关系	一句话区隔
duke-breast-mri	同为乳腺 MRI，任务不同	那边是诊断性、带病灶标注的研究集，这边是筛查性、无标注的试验影像
i-spy	同为乳腺癌治疗相关影像	那边做新辅助治疗的疗效预测，这边做确诊时的对侧检出
mama-miaai-extended	同为乳腺 MRI 公共数据	那边以分割与分类标注为核心，这边以原始影像与表单为核心
3d-mammogram	同为乳腺筛查影像	那边是钼靶三维重建，这边是增强 MRI，模态不同

一条实用的选型规则：要病灶标注，去 duke-breast-mri 或 mama-miaai-extended；要治疗前后对比，去 i-spy；要「确诊时对侧是否已有癌」这个特定问题，只能来这里。四者不可互相替代。

8.4 它为何能持续

这个集合没有活跃的维护团队，也没有扩充计划，却仍在被引用，原因不在维护，而在结构：它是少数几份「对侧乳腺、确诊后、治疗前、带活检与随访参照」的公开 MRI 数据。这种结构无法通过事后拼接获得——公开档案里同时具备统一入组条件、统一扫描时点与完整参照标准的数据极少，因此它的稀缺性不会随时间衰减。

另一层原因是许可。CC BY 4.0 加公开直链，把使用门槛降到了零，任何团队都可以当天开始。对教学方法、流程验证、基线对照这类「不需要大样本但需要真实数据」的用途，这一点比样本量更有价值。

8.5 作为方法学样本的价值

除了做研究，这份数据还有一层常被忽略的用途：它是一个「多中心诊断试验的数据长什么样」的实物样本。翻一遍，就能看到那代试验留下的几件典型痕迹。

其一是表单化。临床信息不是一张宽表，而是一组按病例报告表拆分的 CSV，每张表配字典，字段名是题号而不是语义名。其二是日期伪置。全部日期压到同一天、用偏移天数替代，是隐私保护与时间分析之间的折中，代价是绝对时间不可恢复。其三是口径分层。入组、完成、收录、可分析四个数并存，任何分析都必须先声明用哪个。其四是单臂。没有对照，结论只能停在「多发现了什么」，不能停在「改变了结局」。

这四件事在新一代数据集中大多已被修正，但修正的代价是另一种失真：过度清洗后的数据集看起来干净，却丢掉了真实工作流的粗糙感。对要设计新试验、或要写数据治理方案的人，看一份未经修饰的旧数据，比看十份整洁的新数据更有用。

§9 使用指引

9.1 三类角色的路径

乳腺影像研究者的路径最短：下 MR 序列，按受试者建索引，读片确认阳性例的病灶位置，再从表单取活检与病理标签。关键动作是把「人级标签」拆成「病灶级标签」，否则检测模型没有监督信号。

影像 AI 研究者的路径更重：需要先解决标签。集合没有病灶框，弱监督标签只能从召回与活检字段反推；建议先用表单构造人级二分类，再逐步引入读片标注做检测。划分时必须按人，不能按检查。

方法学与试验设计者的路径最轻：不必下影像，读临床数据与协议即可。这份数据的价值在于它提供了「一个真实的多中心诊断试验在数据层面长什么样」的样本——表单化、日期伪置、口径分层、单臂，这些都是设计新试验时该预见的坑。

9.2 一条最短的可用流程

#-- 一、装依赖并取清单
pip3 install tcia-utils pydicom pandas openpyxl
python3.11 -c "from tcia_utils import nbia; s=nbia.getSeries(collection='ACRIN-CONTRALATERAL-BREAST-MR'); print(len(s))"

#-- 二、下载（建议先只取 MR）
python3.11 -c "from tcia_utils import nbia; nbia.downloadSeries('series_manifest.tcia', format='tcia', dir='./data')"

#-- 三、核对完整性：序列目录数应与清单条数一致
find ./data -type d -name '1.*' | wc -l

#-- 四、成表：一人一行，给出检查数与模态构成
import glob
from collections import defaultdict
import pandas as pd
import pydicom

rows = []
for path in glob.glob("./data/**/*.dcm", recursive=True):
    ds = pydicom.dcmread(path, stop_before_pixels=True)
    rows.append({
        "patient": ds.PatientID,
        "study": str(ds.StudyInstanceUID),
        "series": str(ds.SeriesInstanceUID),
        "modality": ds.Modality,
    })

df = pd.DataFrame(rows).drop_duplicates(["patient", "study", "series", "modality"])
summary = df.groupby("patient").agg(
    studies=("study", "nunique"),
    series=("series", "nunique"),
    modalities=("modality", lambda x: ",".join(sorted(set(x)))),
)
summary.to_csv("cohort_index.csv")
print(summary.shape, summary["studies"].value_counts().to_dict())

跑完之后会得到一张索引表，一人一行，含检查数、序列数与模态构成。这张表应当与 §6.2 的结果对得上；对不上，说明下载有缺失或清单重复。

9.3 写方法学时的最小信息集

用这个集合写论文，方法部分至少要交代六项：一是所用的数据引用与 DOI；二是纳入的受试者口径（入组、收录还是主分析）；三是模态过滤规则（是否含 CR）；四是检查的选择规则（一人多次时用哪一次）；五是标签的来源（召回、活检还是病理）；六是训练与测试的划分单位（必须按人）。

这六项里，第四与第五最容易被略过，也最容易导致结果不可比。特别是第五项：用召回做标签与用病理做标签，模型学到的目标完全不同，而两者的字段名在表单里只差几个字符。

9.4 合规动作清单

下载前确认许可为 CC BY 4.0；使用时在成果中附 Data Citation 与 DOI；在数据可用性声明里写明版本与 collection 名；不尝试重新识别；若对图像做过重采样、配准或裁剪，在方法里声明为修改。这五步做完，合规义务即履行完毕。

9.5 三种任务的推荐组合

任务	最小数据配置	必须先做的处理	主要风险
对侧癌的人级分类	MR 序列 + 表单的活检与病理字段	按人建索引、按人划分	把召回当结局，标签语义错位
病灶检测或分割	MR 序列 + 自行读片标注	先选阳性例、再逐例勾画	阳性例少，标注成本高，样本不平衡
影像-临床联合建模	MR 特征 + 表单的诊断与随访字段	表单查字典、宽表化、缺失处理	编号体系不一致，连接丢例

三行任务的共同点是：真正的难点都不在影像本身，而在把影像与表单接到一起，以及在划分时尊重「一个人的多次检查属于同一个体」这条约束。影像处理是熟练工种，接表与划分才是决定结论成败的地方。

§10 AI 使用声明

项目	说明
本页 AI 参与程度	由 AI 助手依据 TCIA collection 页、注册页与论文著录信息起草，人工复核关键数字
数字来源层级	见附录 B，collection 页为一级，论文与注册页为二级
未核实项	984 与 969 之间 15 人的逐例原因、CR 序列的具体来源、表单的完整清单
版本信息	以 2026 年 10 月读取的 collection 页为准，现行版本为 2021-03-05 的 Version 1
已知不一致	旧入口 acrin-contralateral-effect 已 404；TCIA wiki 的草稿页仍留有旧的人数与占位符，与正式页的 984 不同
适用边界	本文描述数据集本身的结构、规模与边界，不评价任何具体研究结论，也不转引效能指标
更新机制	集合已进入低维护状态，本文不承诺随版本同步刷新

常见误读（避坑清单）

常见说法	实际	证据
「集合名是 acrin-contralateral-effect」	该入口已 404，正式名是 ACRIN-CONTRALATERAL-BREAST-MR	直接访问旧 URL 返回 Page not found
「这是双侧乳腺 MRI，能研究患侧」	成像与终点都只针对未患病侧	注册页写明扫描对象是对侧乳腺
「试验共 984 例」	984 是影像收录口径，入组人数更多，主分析 969 人	collection 页与注册页分别给出三个数
「有一千多个检查就有一千多人」	984 人对应一千余个检查，差额来自重复与派生检查	页面受试者数与检查数并列
「下载要申请」	不需要，CC BY 4.0 公开直链	下载区两行均标 CC BY 4.0，无申请入口
「里面有 BI-RADS 评分文件」	没有，判读结果只在表单字段里	下载区未列任何分析结果文件
「有病灶勾画，可以直接做分割」	没有勾画、没有坐标、没有掩膜	下载区无 SEG 或 RTSTRUCT，页面无标注说明
「可以算 MRI 相对钼靶的增益」	单臂设计，无对照组，只能描述同组内多发现了什么	注册页设计为单组分配、开放标签
「DICOM 日期能用」	全部伪置为 1960-01-01，只能用偏移天数	collection 页 Date Offsets 段
「临床表是一张 CSV」	是按病例报告表拆分的多张 CSV，每张配字典	collection 页的临床数据流说明与示例
「图像损坏的那例整例被删」	只删了影像，临床记录仍在表格里	Detailed Description 注明 Case Number 120
「它能支持十年预后研究」	随访只到 24 至 30 个月，无长期结局	注册页随访安排

FAQ

Q1：这个集合与 IDC 上的那份是同一批数据吗？

是。IDC 是本 collection 的云侧索引，影像相同，组织方式不同。做筛选与云端计算用 IDC 更方便，核对版本与许可仍以 TCIA 为准。

Q2：为什么有 984 例却有一千多个检查？

检查是 DICOM 层面的对象，包含基线检查、因召回或随访而做的重复检查，以及少量派生检查。人均略多于一次，不能把检查数当作人数。

Q3：CR 序列有用吗？

对诊断分析基本无用。它是平片类图像，多为定位或投影，不承载增强动态信息。做影像分析时按 Modality 过滤到 MR 即可；想研究扫描流程的人可以保留，但官方没有解释其来源。

Q4：能不能拿它做外部验证集？

可以，但要先确认三件事：扫描协议与场强是否与训练集可比、标签定义是否一致（召回、活检还是病理）、阴性标签的随访强度是否相同。三件事有一件不同，验证结论就会失真。

Q5：阳性例有多少，够做检测吗？

具体例数应回论文核对，本文不转引效能数字。就结构而言，阳性例是少数，做检测会遇到明显的样本不平衡；可行路径是先做人级分类，再用少量精标注做检测的微调。

Q6：临床表里有没有乳腺密度？

collection 页的字段分类只列了 Demographic、Diagnosis、Other，未逐项列出密度。论文讨论过密度与检出收益的关系，说明相关字段可能存在，但需解压后查字典确认，本文不作推定。

Q7：为什么日期只剩年份？

为了保护隐私。表格只保留年份，DICOM 日期统一伪置为 1960-01-01，真实间隔以偏移天数写入 (0012,0052)。绝对日期不可恢复，相对间隔可用。

术语表

术语	含义
对侧乳腺	与已确诊癌侧相对的另一侧乳腺，本试验的成像与终点对象
同步癌	初诊时已存在、但在对侧未被常规检查发现的癌
DCE-MRI	动态增强磁共振，注射对比剂后多期采集，观察强化随时间的变化
钆喷酸葡胺	试验中使用的顺磁性对比剂，静脉注射后用于增强扫描
BI-RADS	乳腺影像报告与数据系统，用统一分类描述影像所见与处理建议
召回	因影像可疑而让受试者回来做补充影像或临床评估
参照标准	判定阳性与阴性的依据，本试验为活检或随访期满无证据
单臂试验	所有受试者接受同一干预、无平行对照的设计
诊断试验	评估某项检查区分有病与无病能力的试验，终点通常是敏感度与特异度
偏移天数	距基准日的天数，替代真实日期以保护隐私
TRIAD	ACRIN 当年使用的影像上传与匿名化软件
病例报告表	各中心按统一格式填写的临床记录表，本集合的临床数据由此导出
表单字典	说明每张表单的变量名、描述、类型与编码的配套文件
长表	一行一个观测、按表单拆分的表结构，与一人一行的宽表相对
SEG	DICOM 分割对象，用于存放像素级标注
RTSTRUCT	DICOM 放疗结构集，用于存放勾画轮廓
IDC	NCI 影像数据共享平台，提供云侧索引与查询
CC BY 4.0	署名即可使用的知识共享许可，允许商用与改编
DAIMS	数据档案与信息管理系统的评估框架，看采集、建模、溯源、治理四条线

附录 A：核心数字核对表

项	值	来源	层级
受试者	984	collection 页	一级
检查	1,103	collection 页	一级
序列	10,184	collection 页	一级
图像	626,782	collection 页	一级
体量	199.59 GB	collection 页	一级
实际入组	1,007	注册页	二级
主分析	969	collection 页与论文	一级
模态	MR、CR	collection 页	一级
临床数据大小	278.77 kb	collection 页	一级
发布版本	Version 1，2021-03-05	collection 页	一级
入组窗口	2003-02 至 2006-08	注册页	二级
随访窗口	12 至 18 个月、24 至 30 个月	注册页	二级
主论文卷期	356(13):1295-1303	论文著录	二级
注册号	NCT00058058	collection 页	一级
DOI	10.7937/Q1EE-J082	collection 页	一级

附录 B：数字的来源分层

一级：collection 页面。 受试者、检查、序列、图像、体量、模态、临床数据大小、版本与更新日期、DOI、许可、日期伪置规则、Case Number 120 的说明，全部取自这一层，且在同一次读取中彼此一致。

二级：注册页与论文。 实际入组人数、入组窗口、随访窗口、扫描时点与对比剂、主论文的卷期页码与 DOI，取自 ClinicalTrials.gov 记录与 PubMed 著录。这些用于确认试验设计，不用于描述数据规模。

三级：未展开。 984 与 969 之间 15 人的逐例原因、CR 序列的具体来源、表单的完整清单与字段总数，官方页面均未展开，本文标注为未核实而不作推定。

附录 C：参考文献

1. Kinahan P, Muzi M, Bialecki B, Herman B, Coombs L. ACRIN-Contralateral-Breast-MR (ACRIN 6667) [Data set]. The Cancer Imaging Archive, 2021. DOI 10.7937/Q1EE-J082.
2. Lehman CD, Gatsonis C, Kuhl CK, et al. MRI Evaluation of the Contralateral Breast in Women with Recently Diagnosed Breast Cancer. N Engl J Med, 2007, 356(13): 1295-1303. DOI 10.1056/NEJMoa065447.
3. TCIA collection 页，ACRIN-CONTRALATERAL-BREAST-MR，https://www.cancerimagingarchive.net/collection/acrin-contralateral-breast-mr/ ，2026 年 10 月访问。
4. ClinicalTrials.gov，NCT00058058，Magnetic Resonance Imaging in Women Recently Diagnosed With Unilateral Breast Cancer (ACRIN-6667)。
5. ACRIN 6667 研究方案与病例报告表，随 collection 页提供 PDF 下载。
6. NCI Imaging Data Commons，同 collection 的云侧索引，collection_id 为 acrin_contralateral_breast_mr。

附录 D：如果只记五件事

第一，它是 ACRIN 6667 的 TCIA 影像侧，984 例单侧乳腺癌患者确诊后对侧乳腺的增强 MRI，CC BY 4.0 公开直链。

第二，成像对象是未患病侧，时点卡在化疗前、距阴性钼靶 90 天内，这是它区别于诊断性乳腺 MRI 集合的根本。

第三，人数有三个口径：入组、影像收录 984、主分析 969，写方法学必须说清用哪个。

第四，它不含勾画、不含 BI-RADS 文件、不含钼靶原图与病理切片；标签只在按表单拆分的临床数据里，需查字典。

第五，它是单臂设计，能回答「MRI 多找到了什么」，不能回答「MRI 改变了结局吗」。

附录 E：文件与字段清单（按官方页面可确认的范围）

类别	内容	形态	说明
影像	MR、CR 序列	DICOM	按受试者-检查-序列组织，需 Data Retriever 或 IDC 获取
影像清单	manifest 文件	.tcia	2021 年 2 月版，用于按序列下载
影像摘要	NBIA digest	XLSX	供核对序列与文件数，不替代 DICOM
临床数据	按表单拆分的 CSV	ZIP	278.77 kb，含表单字典
临床数据	同上的表格版	XLSX	与 CSV 内容对应
协议	研究方案	PDF	随 collection 页提供
表单	病例报告表套件	PDF	随 collection 页提供

字段层面，官方只给出分类与一个示例：分类为 Demographic、Diagnosis、Other；示例为 A0 患者确认表的第 31d 号元素，记录基准日到手术日的天数。完整的表单数量与字段总数未在页面汇总，需解压后按字典逐表统计。

编辑说明

本篇核验时间为 2026 年 10 月 29 日。核验方式为直接读取 TCIA 的 collection 页面，逐项比对受试者、检查、序列、图像、体量、模态、许可、版本表、日期伪置规则与临床数据说明，并核对 Data Citation、DOI、主论文的卷期页码与注册页的入组及随访信息。

需要说明一处命名问题：任务给出的入口 acrin-contralateral-effect 返回 404，TCIA 上的正式集合名为 ACRIN-CONTRALATERAL-BREAST-MR，DOI 为 10.7937/Q1EE-J082。本篇以正式名为准，目录名随之采用 acrin-contralateral-breast-mr。

未覆盖的内容包括：984 与 969 之间 15 人的逐例排除原因、入组与影像收录之间差额的构成、CR 序列的具体来源、表单的完整清单与字段总数、以及阳性例的逐例影像与病理对应关系。前三项官方页面未展开，第四项需解压后逐表确认，第五项涉及受保护的健康信息，不在公开包内。上述内容本篇不作推定。

另有一处新旧不一致：TCIA wiki 的历史草稿页仍留有旧人数与未填的占位符，正式 collection 页与下载区均为 984。本篇以正式页为准，并在此记录差异，供后来者核对。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• qin-breast-dce-mri — 共享标签：医学影像 / MRI / 乳腺影像 / 肿瘤学 / 乳腺癌
• duke-breast-mri — 共享标签：医学影像 / MRI / 肿瘤学 / 乳腺癌
• breast-diagnosis — 共享标签：医学影像 / MRI / 乳腺影像 / 肿瘤学
• odelia — 共享标签：医学影像 / MRI / 乳腺影像 / 乳腺癌
• big-mri — 共享标签：医学影像 / MRI / 乳腺影像 / 乳腺癌
• mamasynth — 共享标签：医学影像 / MRI / 乳腺影像 / 乳腺癌
• tcga-brca — 共享标签：医学影像 / 乳腺影像 / 乳腺癌
• qin-prostate — 共享标签：医学影像 / MRI / 肿瘤学
• bach — 共享标签：医学影像 / 乳腺影像 / 肿瘤学 / 乳腺癌
• i-spy — 共享标签：医学影像 / 乳腺影像 / 肿瘤学 / 乳腺癌

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。