乳腺断层摄影筛查库 BCS-DBT — 五千零六十例

乳腺 X 线筛查是放射科体量最大的读片任务之一，全球每年执行超过三千九百万次检查。二维钼靶把三维的腺体压成一张投影，致密组织里的病灶容易被正常结构遮住；数字乳腺断层摄影（digital breast tomosynthesis，DBT）让球管在有限弧度内扫过并重建出一叠薄层，把重叠拆开。代价是数据形态从一张图变成一个三维体，公开可用的 DBT 数据因此长期比二维稀少一个量级。

BCS-DBT 是这条技术路线上规模最大的开源筛查集合。它由杜克大学放射科团队构建、经美国国家癌症研究所的癌症影像档案库（TCIA）托管，收录五千零六十名受试者的二万二千零三十二个重建三维体，合计 1.63 TB。每一次检查按筛查随访结局归入癌症、活检证实良性、需处理、正常四组之一，活检病例另附病灶矩形框。

它的分量来自三件事：规模足以支撑训练而不只是演示，分组直接对应筛查流程的真实分岔，许可证明确写死了非商业。第三件事同时是它最硬的边界——CC BY-NC 4.0 不允许商用，要进产品的模型不能拿它做训练集。另一处更容易被跳过的边界是，四级标签是分组而不是诊断，把它们当成严重度序数来用，下游所有结论都会立在错误的假设上。一屏速览见下表。

项目	内容
官方名称	Breast Cancer Screening – Digital Breast Tomosynthesis（BCS-DBT）
简称与 slug	BCS-DBT / breast-cancer-screening-dbt
数据 DOI	10.7937/E4WT-CD02
构建机构	杜克大学医学中心放射科（北卡罗来纳州达勒姆）
托管平台	The Cancer Imaging Archive（TCIA）
首次发布	v1，2020-12-14
当前版本	v5，2024-01-18（补齐验证集与测试集的标签与框）
许可	CC BY-NC 4.0，禁止商业性使用
模态	数字乳腺断层摄影（DICOM 中的 MG）
受试者	5,060 名
检查数	5,610 次
重建三维体	22,032 个
体积	1.63 TB
切分	训练 4,362 / 验证 280 / 测试 418（受试者）
分组	正常、需处理、活检证实良性、活检证实癌症
空间标注	单层中心切片上的矩形框，仅活检病例
主键	PatientID + StudyUID（框表另加 View 与 Slice）
基线论文	JAMA Network Open 2021;4(8):e2119100
挑战赛	DBTex（2020—2021）、DBTex2（2021）
库内近邻	3d-mammogram(942)、cbis-ddsm(541)、vindr-mammo(543)、inbreast(542)、emory-embed(1726)

§1 它是什么：一个用筛查结局切出来的三维检测基准

§1.1 一句话定义

BCS-DBT 是一份以「一次筛查检查」为组织单元、把每次检查按随访结局归入四个分组、并只为活检病例提供单层矩形框的数字乳腺断层摄影集合。它不是分割数据集，不是诊断数据集，也不是患病率样本；它是一份为「在三维体里找病灶」这件事准备的大规模评测底座。

它最容易说错的地方在于规模。五千零六十是受试者，五千六百一十是检查，二万二千零三十二是三维体——三个数字都对，指的是三个不同的东西。把二万二千零三十二说成「二万多例患者」，是这份数据最常见的一句错话。

§1.2 为什么它不是普通的钼靶数据集

二维钼靶库的样本单位是一张图，标签往往落在图级（有无病灶、BI-RADS 分级），读者拿到手的是一叠 PNG 或 DICOM 单帧。BCS-DBT 的样本单位是一个三维体，标签落在检查级，空间标注落在「第几层上的一个矩形」。

对照项	二维钼靶库（如 CBIS-DDSM、MIAS）	本集合
最小单位	一张图	一个重建三维体（一个文件）
标签层级	图像级或病灶级	检查级（一次检查一个分组）
空间标注	掩膜或精确轮廓常见	单层中心切片上的矩形
分组语义	影像印象（BI-RADS 等）	随访结局（是否活检、活检结果）
典型输入	二维张量	三维张量，层数随设备与重建变化
能否直接套二维流程	能	不能，须处理层方向与层间距

这张表解释了为什么把在二维库上训练好的模型直接搬到 BCS-DBT 上，通常不是「掉几个点」，而是「完全跑不动」：通道数、层间距、方向约定、体素物理尺寸全都不同。DBT 的层厚在毫米级，一个体动辄几十到上百层，网络的第一层就要重新设计。

§1.3 三十秒决策卡

你的处境	这个集合能帮你什么
手上有二维钼靶检测模型，想验证它在三维上的表现	提供同任务、不同维度的最大规模外部测试床
要做三维病灶检测，但找不到够大的公开训练集	一万九千余个带分组标签的训练体，是当前最大的一份
想复现一个公开基线，好写对比表	有官方基线（JAMA 2021）与两届挑战赛成绩可引
想研究「召回但未活检」这类中间结局	Actionable 组是独立可分的一组，这类标签在公开库里很少见
想训练分割模型	给不了，只有单层矩形
想估算人群患病率	给不了，分组比例由筛查流程与入组决定
想把模型做成商用产品	给不了授权，CC BY-NC 4.0 禁止商用
想要多中心、多厂商的泛化评估	给不了，全部来自单一医学中心

§1.4 不适合谁

如果要训练分割模型，这个集合给不了你掩膜。 官方只提供单层中心切片上的矩形，评估时按体积层数 25% 的跨度做近似。这个近似对「检出定位」够用，对「勾画边界」远远不够。需要轮廓的任务应转向有专家勾画的库，本集合只能作为预训练或推理目标。

如果要估算筛查人群的癌症检出率，这个集合给不了你。 分组是在既有筛查流程里切出来的，正常组占了绝大多数，癌症组只有极小一部分。这个比例反映的是杜克那套流程在那些年里的分岔结果，不反映任何人群的患病率。任何基于它算出的阳性率都只是一句关于流程的描述。

如果要做出可商业交付的产品，这个集合给不了你授权。 CC BY-NC 4.0 的 NC 条款是禁止性条款，不是提示性条款。把权重在它上面训练过再声称「仅用于研究」但实际进入商业服务，同样落在禁止范围内。

如果要一份均衡的三向切分，这个集合给不了你。 训练、验证、测试的受试者数是四千三百六十二、二百八十、四百一十八，量级差了一个数量级。测试集小到只能支撑粗粒度的置信区间，做跨库比较时必须把这一点写进限制。

§1.5 它在乳腺影像数据谱系里的位置

库内已有的乳腺数据集大致分三档：二维钼靶的经典评测集（CBIS-DDSM、INbreast、MIAS、BCDR）、二维筛查的大规模商业来源集（VinDr-Mammo、EMBED）、以及三维方向的少量样本（3d-mammogram 的数百例）。BCS-DBT 填的是第三档的规模缺口。

位置	代表数据集	规模量级	与 BCS-DBT 的关系
二维病理金标准	CBIS-DDSM(541)、INbreast(542)	百至千例	任务同源、维度不同，可作迁移的源域
二维筛查基准	VinDr-Mammo(543)、EMBED(1726)	千至百万图	分组语义不同，前者是 BI-RADS，后者是筛查队列
三维小样本	3d-mammogram(942)	数百例	标注更细（分割），规模小两个量级
三维大规模	本集合	二万余体	唯一够规模的开源三维筛查基准

一句话的操作规则：要二维的病理确诊与掩膜，去 CBIS-DDSM；要三维的规模与官方基线，来这里；要三维的精细分割标注，去 3d-mammogram 或自建。

§2 数据构成与规格

§2.1 三级计数：受试者、检查、视角

官方的计数是三层嵌套的，任何一层单独拿出来都会失真。下表是 v5 的完整口径。

层级	训练	验证	测试	合计
受试者（PatientID）	4,362	280	418	5,060
检查（StudyUID）	4,838	312	460	5,610
视角／三维体（SeriesUID）	19,148	1,163	1,721	22,032
影像体积	1.42 TB	84.71 GB	135.14 GB	1.63 TB

三层之间的关系是：一名受试者可以有多次检查（随访年份不同），一次检查通常有四个视角（左右各 CC 与 MLO）。用受试者数除以检查数，得到平均每人约一点一次检查；用视角数除以检查数，得到平均每次检查约三点九个视角——不到四，说明有一部分检查缺视角。这个「不到四」本身就是一条边界：任何假定「每例恰好四视角」的批处理脚本都会在少数样本上崩掉。

§2.2 一个文件就是一个三维体

这是读取这份数据时最先要建立的心智模型。TCIA 的 DICOM 分发把每个视角的重建结果打包成一个文件，文件内部是多帧像素数据，帧序即层序。用普通的二维 DICOM 阅读器打开，看到的会是第一帧，或者一个「不支持多帧」的报错。

直觉	实际
一个 DICOM 文件 = 一张图	一个 DICOM 文件 = 一叠图（一个三维体）
一个序列 = 一个文件夹里若干文件	一个序列 = 一个文件
层号靠文件名排序	层号靠文件内的帧序
Rows/Columns 就是图像尺寸	还要读 NumberOfFrames 才是深度

这条结构决定了三件事：下载的文件数远小于图像数；解压后的内存占用远大于压缩包；切片索引（Slice）指的是文件内部的帧号，而不是文件编号。

§2.3 三张 CSV 各管什么

DICOM 之外有三类表，粒度各不相同，混接会错位。

表	粒度	主键	回答什么
分组标签表	一次检查一行	PatientID + StudyUID	这次检查属于哪一组（四列 one-hot）
病灶框表	一个病灶一行	PatientID + StudyUID + View + Slice	病灶在哪一层的哪个矩形里
路径表	一个视角一行	PatientID + StudyUID + View	文件在磁盘上的相对路径

关键的不对称在第二张表：它的行数远小于检查数，因为只有活检病例才有框。训练集的框表只覆盖一百零一名受试者，而训练集有四千三百六十二名受试者——也就是说，百分之九十七以上的训练样本只有分组标签，没有任何空间标注。

这个不对称不是缺陷，是设计。检测模型的正样本来自那一百零一人的框，负样本来自其余人的分组标签。如果误以为「每个人都有框」，会在数据加载阶段就崩。

§2.4 目录形态

官方路径表同时给出两套列：descriptive_path 与 classic_path，对应 NBIA Data Retriever 的两种目录命名选项。两套路径指向同一批文件，只是目录名不同。下载前选定一种，之后所有脚本按同一套路径拼接，不要混用。

#-- 描述式目录（descriptive）的典型形态
Breast-Cancer-Screening-DBT/
  BCS-DBT-Training/
    <PatientID>/
      <StudyUID>/
        <SeriesUID>/
          <SOPInstanceUID>.dcm      #-- 一个文件 = 一个视角 = 一个三维体
  BCS-DBT-Validation/
  BCS-DBT-Test/
  BCS-DBT-labels-train-v2.csv
  BCS-DBT-boxes-train-v2.csv
  BCS-DBT-file-paths-train-v2.csv

经典式目录把患者与检查压成一层数字目录，层级更浅但可读性差。选哪一种只影响路径拼接字符串，不影响内容。

§2.5 一条框记录逐行解剖

框表的一行是一个病灶，字段不多但每个都有坑。

字段	含义	读的时候注意什么
PatientID	受试者标识	与路径表同名同格式，可直接连接
StudyUID	检查标识	一人多次检查时，只靠 PatientID 会连错
View	视角名（LCC / RMLO / LMLO / RLL）	与文件名里的视角一致才可信
Subject	标注医师编号	是标注者编号，不是受试者编号
Slice	病灶中心层号	层号，不是切片文件序号
X / Y	框左上角坐标	0 起始，原点在左上
Width / Height	框的宽高	单位是像素，不是毫米
Class	benign 或 cancer	只有两种取值，没有 actionable
AD	结构扭曲标记，1 表示有	与 Class 正交，可同时出现
VolumeSlices	该体数据的总层数	评估时用它与 Slice 算 25% 跨度

Subject 这一列的名字最容易骗人。它看起来像受试者，实际是读片医师的编号。用它做分组或去重会得到完全错误的结论。

§2.6 与同类库的规格差异

维度	本集合	3d-mammogram(942)	CBIS-DDSM(541)
维度	三维	三维	二维
规模	二万余体	数百例	数千图
分组语义	随访结局四级	恶性／良性／召回／活检良性	病理良性／恶性
空间标注	单层矩形	分割轮廓	掩膜与 ROI
官方切分	有	无	有
官方基线	有	无	有
许可	CC BY-NC 4.0	研究协议	CC BY 3.0

三者的差别不在大小，在「给你什么层次的答案」。CBIS-DDSM 给像素级的病理答案，3d-mammogram 给三维的精细轮廓，本集合给的是「这次检查最后发生了什么」加上「病灶在哪一层的哪个框里」。

§2.7 切分口径：四千三百六十二、二百八十、四百一十八

三个子集的受试者数是四千三百六十二、二百八十、四百一十八，加起来正好五千零六十。这个加法成立，是口径自洽的最好证据。

这里必须拆掉一个流传很广的误读：把测试集说成四十例。四十是验证集里带病灶框的受试者数，六十是测试集里带病灶框的受试者数。两个数字都在框表的元信息里，与切分规模无关。测试集的真实规模是四百一十八名受试者、四百六十次检查、一千七百二十一个三维体。

切分的不均衡是结构性的：测试集占全部受试者的比例不到十分之一。以活检病灶为分母时，测试集的阳性样本只有六十例，这意味着任何在测试集上报出的敏感度，置信区间都很宽。官方基线在测试集上的结果是 65%（39/60，95% CI 56%–74%）——区间宽度接近二十个百分点，这就是小测试集的直接代价。

§2.8 一次检查怎么被拆开

把一次检查摊开看，结构就清楚了：它由若干视角组成，每个视角一个文件，每个文件一个三维体，每个体有若干层。层是最终的像素平面，也是框的落点。

视角代码	常见含义	读的时候注意
LCC	左乳头尾位	压迫方向自上而下
RMLO	右内外斜位	视野含胸肌
LMLO	左内外斜位	与对侧镜像
RLL	侧位一类	命名与常见体位缩写不完全一致，以路径表里的实际字符串为准

最后一行值得单独说。四个代码里前三个是行业通用缩写，第四个在不同文档里的写法不统一。看到 RLL 时不要按字面推断它是「右侧」还是「左侧」，也不要假设它一定存在——正确的做法是先统计路径表里 View 列的实际取值集合，再按集合写分支逻辑。

视角数也不是固定的。多数检查有四个视角，但官方的总量数据显示平均不到四个，说明有一部分检查缺视角。写批处理脚本时，「每例四视角」不能当断言，只能当期望值。

§3 分组层：四级标签是处置分岔，不是严重度刻度

§3.1 四级从哪来

四组的划分逻辑来自筛查流程本身。一次筛查之后，放射科医师面临三个连续的岔路口：要不要召回加拍？加拍之后要不要活检？活检结果是什么？四组就是这三个岔路口的组合，而不是对病灶本身做严重度打分。

组	判据	是否活检	标签表列名
正常 Normal	筛查阴性，无需额外处理	否	Normal
需处理 Actionable	需要加拍等进一步影像，但未做活检	否	Actionable
活检证实良性 Benign	做了活检，病理为良性	是	Benign
活检证实癌症 Cancer	做了活检，病理为恶性	是	Cancer

四列在标签表里是 one-hot：每行只有一个 1，其余为 0。这既保证了互斥，也保证了穷尽——每一次检查必然落到且只落到一组。

§3.2 为什么不能当严重度序数用

把四组排成「正常 < 需处理 < 良性 < 癌症」或「正常 < 良性 < 需处理 < 癌症」，都会立刻遇到反例。

Actionable 不是「轻症」。 它指的是影像上发现了需要进一步评估的东西，但临床上没有走到活检。它既可能是一个后来证明没事的叠加影，也可能是一个当时被判断为良性表现、后来在随访中被证实为癌的病灶。它没有病理答案，因此它在「良恶性」这条轴上根本没有坐标。

Normal 不是「健康保证」。 筛查阴性只说明这一次读片没有发现需要处理的东西。筛查的间期癌是常态，不是异常。把 Normal 当阴性金标准，会把间期癌算成假阴性，从而系统性低估模型难度。

Benign 不是「低危」。 活检证实良性意味着这一个人在这一次走到了有创诊断，其影像表现足以让医师决定穿刺。它的人群构成与 Normal 完全不同。

Cancer 是「这一次被确诊」，不是「严重度最高」。 四组之间不存在单调的进展关系，任何把标签当回归目标训练的做法，都是在拟合一个不存在的刻度。

§3.3 one-hot 的读法

标签表用四列 one-hot 而不是一列类别名，好处是不用猜拼写，坏处是容易在读取时把列顺序弄反。

#-- 读取分组标签表并把 one-hot 折回单个类别名
import pandas as pd

LABELS = ["Cancer", "Benign", "Actionable", "Normal"]

df = pd.read_csv("BCS-DBT-labels-train-v2.csv")
assert set(LABELS).issubset(df.columns), "列名与 v5 口径不符"
assert (df[LABELS].sum(axis=1) == 1).all(), "存在非 one-hot 行"

df["group"] = df[LABELS].idxmax(axis=1)
print(df["group"].value_counts())
print(df[["PatientID", "StudyUID", "group"]].head())

第二行的断言值得保留在正式代码里。它检查的是「每行恰好一个 1」，一旦上游改了编码方式，脚本会立刻停下，而不是静默产出一批错误标签。

§3.4 分组比例说明的是流程，不是疾病谱

四组在全体检查里的占比是：正常约占九成一，需处理约占百分之五，活检证实良性约占百分之二，活检证实癌症约占百分之一点六。三个非正常组加起来不到百分之九。

这组数字最容易被误读成「筛查人群的癌症患病率约百分之一点六」。它不能这么读。分母是杜克健康系统在某段年份里、满足「至少有一个重建视角可用」且未含异物、未做点压加拍的检查；分子是这套流程最终确诊的癌症。换一家医院、换一段年份、换一套召回阈值，这个比例就会变。它是一条关于流程的描述，不是一条关于疾病的描述。

真正的用法是把它当「类别先验」：在构建训练批次时按这个比例配平，或者故意不配平。两种选择都合理，但都必须知道自己在选什么。

§4 标注层：矩形框能回答什么，不能回答什么

§4.1 框的粒度

一个框由六个数字定位：哪一次检查、哪个视角、哪一层、左上角的 x 与 y、宽与高。它是一个二维矩形，落在一个三维体的一张切片上。

官方对评估的约定是：假定病灶在层方向上也占据一定跨度，取该体数据总层数的 25% 作为上下延展的范围。这是一个为了计算命中率而设的工程约定，不是解剖学测量。它让「预测框落在中心层附近」这件事有了一个可计算的判定，但也意味着不同层数的体数据，其容忍区间在绝对厚度上并不相同。

§4.2 框只覆盖活检病例

框表里 Class 只有两个取值，benign 与 cancer。Actionable 组和 Normal 组没有框。这不是遗漏，是逻辑必然：没有活检就没有病灶的病理定位，标注医师也就没有可靠的靶子可框。

由此产生一个训练上的结构性事实：正样本有空间位置，负样本只有检查级标签。这决定了检测任务只能做「弱监督的负样本 + 强监督的正样本」，而不能做全监督的稠密检测。任何声称在 BCS-DBT 上做了逐层全监督检测的工作，都需要解释它的负样本框是从哪来的。

§4.3 结构扭曲是独立标记

框表里有一列 AD，取 1 表示该病灶伴随结构扭曲（architectural distortion）。结构扭曲在 DBT 上比在二维钼靶上更容易看见，因为层间结构被拆开了；但它也是检出最难的一类，形态上没有明确边界，常常只表现为正常腺体走向的轻微牵拉。

官方把 AD 做成与 Class 正交的一列，而不是单独一类，说明它描述的是「这个病灶长什么样」，不是「这个病灶是什么」。把 AD=1 当成一个独立类别去训练分类头，会与 Class 的语义打架。

§4.4 方向缺陷：官方自己承认的那个坑

这是使用这份数据时最实在的一个坑，官方在数据集页面上直接写明了：部分文件的 DICOM 头中，侧别（laterality）和／或图像方向不正确；而参考标准的真值框是定义在校正后的图像方向上的。

拆开来看这句话的四层含义：

其一，问题在头信息，不在像素。像素数据本身是对的，错的是描述它的元数据。

其二，错的是「侧别与方向」这两类字段，也就是左右、以及行列方向。这两类错误恰好是叠加矩形框时最致命的——框的坐标是相对于像素矩阵的，矩阵一旦翻转，框的位置就整体错位。

其三，真值框是按校正后的方向定义的。也就是说，官方在标注时已经把方向摆正了，而使用者如果不摆正，看到的就是一个镜像或转置的图像，配上原始坐标的框，框会落在错误的位置。

其四，官方给了修复路径：代码库里的 Python 函数负责按视角读取并把图像摆到与真值框一致的坐标系。这不是可选项，是必选项。

这条缺陷的连带影响很广。它意味着任何「自己写一个通用 DICOM 读取器然后批处理」的方案都会踩坑，而且踩得很隐蔽：图像看起来完全正常，乳腺形态、皮肤线、胸肌都在位，只有左右反了。模型能训，指标能算，结论是错的。

§4.5 微小钙化没有被标

官方明确说明：数据集中包含微小钙化，但它们未被标注，也不是导致召回或活检的原因。

这一句对任务定义的收窄作用很大。在二维钼靶的语境里，钙化是最重要的恶性征象之一，很多公开库把钙化作为独立标注对象。在这里，钙化的存在被承认、被排除在真值之外。因此任何以「钙化检出」为目标的工作都不能用这份数据做监督，只能把它当干扰项来源。

§4.6 标注医师与一致性

病灶由两名有经验的放射科医师标注。官方未公布标注者间一致性统计，也未公布分歧的裁决流程。这不是致命问题，但在做严格的标注质量分析时，缺一致性数字就只能定性描述。

§4.7 框的坐标核验

在把框喂给模型之前，最值得花十分钟做的一件事是核验坐标是否落在体数据范围内，并按官方约定算出层跨度。这一步能同时挡住两类错误：方向没校正导致的越界，以及 VolumeSlices 与真实层数不一致。

#-- 核验框是否落在体内，并复算官方 25% 层跨度
import pandas as pd
from duke_dbt_data import dcmread_image

BOXES = pd.read_csv("BCS-DBT-boxes-train-v2.csv")
bad = []
for _, r in BOXES.head(50).iterrows():
    vol = dcmread_image(r["descriptive_path"], r["View"])
    n, h, w = vol.shape
    inside = (r["Y"] >= 0 and r["Y"] + r["Height"] <= h
              and r["X"] >= 0 and r["X"] + r["Width"] <= w
              and 0 <= r["Slice"] < n)
    span = int(round(r["VolumeSlices"] * 0.25))
    if not inside or span < 1:
        bad.append((r["PatientID"], r["View"], bool(inside), span))

print(len(bad), "条待复核")
print(bad[:3])

如果有大量记录越界，几乎一定是方向或坐标原点搞错了，而不是标注错了。这个判断顺序很重要：先怀疑自己的读取链路，再怀疑官方标注。

§5 取数层：从 1.63 TB 到可训练张量

§5.1 三条取数路径

路径	适合谁	代价
TCIA 网页 + NBIA Data Retriever	要完整目录结构、要按官方清单下载	需要 Java 客户端，大体积下载耗时长
IDC 门户（Imaging Data Commons）	要按 SQL 筛子集、要与其它 TCIA 集合混查	需要熟悉 IDC 的索引表结构
挑战赛历史包	要复现挑战赛设置	只覆盖当时发布的阶段性子集

三条路拿到的是同一批影像，差别在「怎么挑」和「怎么命名目录」。做全量训练用第一条，做子集实验用第二条，做历史对照用第三条。

§5.2 许可：CC BY-NC 4.0，禁商用

这一条要单独写死，因为它决定了这份数据能进哪条流水线。

许可是 Creative Commons 署名—非商业性使用 4.0 国际（CC BY-NC 4.0）。BY 要求署名，NC 要求不得用于商业目的。在数据集语境里，NC 的边界比很多人以为的宽：

用法	是否落在 NC 禁止范围	说明
学术论文的实验与发表	否	属于非商业研究
课堂教学与课程作业	否	非商业
内部技术验证、不对外收费	通常否	需按机构法务判断
训练一个对外收费的模型	是	直接商业使用
用它在商业产品上做微调	是	派生使用同样受限
用它做蒸馏的教师模型	是	商业产品的训练链条上游
用它做商业模型的第三方评测报告	是	属于商业服务的一部分
把数据转发给合作方	视许可条款	再分发须保留许可与署名

最容易被忽略的是第三行以下的几条：很多人以为「我只在研发阶段用一下，产品上线前会换数据」就没问题。这个理解站不住——如果最终产品的权重里含有在这份数据上训练得到的参数，商业使用就已经发生。

需要商用的路径只有一条：联系权利方另行取得授权。不要指望「改个名字」「只用了子集」「只是验证」能绕过去。

§5.3 下载：按 IDC 索引筛子集

做子集实验时，用 IDC 的索引表比拉全量再删快得多。下面这段按集合标识筛出全部序列，并把元数据落到本地表。

#-- 用 IDC 索引筛出 BCS-DBT 的全部序列，先看规模再决定下多少
from idc_index import IDCClient

client = IDCClient()
sql = """
SELECT collection_id, PatientID, StudyInstanceUID, SeriesInstanceUID,
       SeriesDescription, SeriesInstanceUID AS series_uid
FROM index
WHERE collection_id = 'breast_cancer_screening_dbt'
"""
df = client.sql_query(sql)
print(df.shape)
print(df["SeriesDescription"].value_counts().head(10))
df.to_csv("bcs_dbt_series_index.csv", index=False)

先看 SeriesDescription 的取值分布，再决定下载哪一批。DBT 的重建体与合成的二维图在描述字段上通常能区分开，这一步能挡掉大量不需要的文件。

§5.4 读取与方向校正

官方代码库 MaciejMazurowski/duke-dbt-data 提供了读取函数，作用是把某个视角的三维体解码成像素数组，并摆到与真值框一致的坐标系。把它复制进项目后直接用，不要自己写。

#-- 用官方函数读取，坐标系与真值框对齐；不要用裸 pydicom 直接取 pixel_array
import sys
sys.path.insert(0, "third_party/duke-dbt-data")

import numpy as np
import pandas as pd
from duke_dbt_data import dcmread_image

BOXES = pd.read_csv("BCS-DBT-boxes-train-v2.csv")

row = BOXES.iloc[0]
vol = dcmread_image(row["descriptive_path"], row["View"])
print(vol.shape)                     #-- (层数, 行, 列)
print(vol.min(), vol.max())          #-- 位深与灰度范围

sl = int(row["Slice"])
patch = vol[sl,
            int(row["Y"]):int(row["Y"]) + int(row["Height"]),
            int(row["X"]):int(row["X"]) + int(row["Width"])]
print(sl, patch.shape, patch.mean())

第三行的路径列需要按实际路径表补上；框表本身不带路径，这是使用前必须做的一次连接。取出的 vol 是三维数组，第一维是层。

如果一定要用裸 pydicom，至少要读三个字段并自己实现方向校正：ImageOrientationPatient、ImagePositionPatient、Laterality。这三者中任意一个不可信，就得回退到官方函数。多数团队的结论是：不值得自己写。

§5.5 把三张表接起来

连接的正确顺序是「路径表 → 标签表 → 框表」，因为路径表最全、标签表按检查、框表最稀。

#-- 按 PatientID + StudyUID 连接，不做一对多笛卡尔积
import pandas as pd

paths = pd.read_csv("BCS-DBT-file-paths-train-v2.csv")
labels = pd.read_csv("BCS-DBT-labels-train-v2.csv")
boxes = pd.read_csv("BCS-DBT-boxes-train-v2.csv")

key = ["PatientID", "StudyUID"]
views = paths.merge(labels, on=key, how="left", validate="many_to_one")
assert views["Cancer"].notna().all(), "有视角没配上分组标签"

hit = views.merge(
    boxes[["PatientID", "StudyUID", "View", "Slice", "Class"]],
    on=key + ["View"], how="left", validate="many_to_one")

print(views.groupby(["PatientID", "StudyUID"]).size().value_counts().head())
print(hit["Class"].notna().sum(), "个视角带病灶框")

validate="many_to_one" 不是装饰。它会在「检查在标签表里出现两次」这类上游问题时直接抛错，而这正是最难靠肉眼发现的一类错。

§5.6 存储与显存预算

项	量级	备注
全量下载	1.63 TB	实际落盘还要留解压与缓存余量
单个三维体	数十至数百 MB	取决于层数与重建矩阵
解码后单体的内存	通常数百 MB 至 1 GB	按 int16 估算
随机采样策略	必须	不能整包读入内存
推荐做法	预先把每个体降采样成 npz/npy	训练时按需 mmap 读取

直接把 DICOM 放进 __getitem__ 里解，会在第一个 epoch 就暴露 IO 瓶颈。可行的做法是离线把每个视角解码成定尺寸的体积文件，训练时只读体积文件。

§5.7 离线缓存

缓存这一步看起来笨，但它把「每个 epoch 重新解一次 JPEG 2000」变成「一次解码、多次读取」，在二万多个体的规模上，差别是数小时与数天。

#-- 每个视角解码一次，落成压缩 npz；训练时只读缓存
import pathlib

import numpy as np
import pandas as pd
from duke_dbt_data import dcmread_image

OUT = pathlib.Path("cache")
OUT.mkdir(exist_ok=True)

paths = pd.read_csv("BCS-DBT-file-paths-train-v2.csv")
for _, r in paths.iterrows():
    dst = OUT / (r["PatientID"] + "_" + r["StudyUID"] + "_" + r["View"] + ".npz")
    if dst.exists():
        continue
    vol = dcmread_image(r["descriptive_path"], r["View"]).astype(np.int16)
    np.savez_compressed(dst, vol=vol)

print(len(list(OUT.glob("*.npz"))), "个视角已缓存")

断点续跑靠 dst.exists() 这一行。全量解码中途被打断是常态，没有这一行就得从头再来。缓存体积通常只有原始 DICOM 的几分之一，因为解压后的像素用 int16 存，去掉了元数据开销。

§6 与库内条目的关系

§6.1 关系图谱

条目	关系	具体怎么配用
3d-mammogram(942)	同模态、不同侧重	它给分割轮廓，本集合给规模与分组；可先在本集合预训练、在它上面做分割微调
CBIS-DDSM(541)	同任务、不同维度	二维的病理金标准，可作为三维模型的源域或对照基线
VinDr-Mammo(543)	同为筛查来源	它的标签是 BI-RADS，本集合的标签是结局；两者可构成「印象 vs 结局」的对照
INbreast(542)	高精度标注的二维集	用于验证框级定位能力，规模小但标注细
MIAS(801)	经典小库	只适合做教学与快速冒烟测试
BCDR(800)	多源病案	可用于跨库泛化的阴性对照
EMBED(1726)	大规模筛查队列	人口学分层丰富，可与本集合的单一中心局限互补
对侧乳腺 MRI(1701)	不同模态	用于多模态融合的另一条输入臂

§6.2 检索路径

站内检索时，BCS-DBT、DBT、断层合成、数字乳腺断层摄影、Duke DBT、DBTex 都能命中。要注意 DBT 这个缩写在不同领域有别的含义，与甲状腺库的缩写相近，检索时带上 乳腺 或 mammo 更稳。

§7 质量评估与局限性

§7.0 前置认知校正：别用「标注密度」评价一个筛查基准

在给这份数据打分之前，需要先拆掉一个评价框架的错位：这是一份筛选用例集，不是一份标注密集型数据集。

用标注密度来衡量它，会得出「只有百分之一的人有框，质量很差」的结论。这个结论错在把「数据集的用途」和「标注的形态」混为一谈。BCS-DBT 的设计目标是让算法在接近真实筛查分布的条件下被测试：绝大多数检查是阴性的，少数是召回的，极少是确诊的。如果它给每一个体都配上密集标注，它就不再是筛查的真实切片，而变成了一个平衡的教学集。

由此可以推出两条使用纪律：

其一，不要要求它提供分割级标注。它提供的是「在这一次检查里，病灶大概在哪一层的哪个位置」，这件事对检出评估足够，对勾画不够。

其二，不要用它的类别比例去推断人群。这份数据的类别比例首先是一个流程参数，其次才是一个统计量。

§7.1 DAIMS 评分

下表按八个维度打分，每项满分五分。打分依据全部来自官方公开材料。

维度	得分	依据
描述层身份与边界	5	名称、DOI、机构、版本、四组定义、引用格式齐备，页面直接说明方向缺陷
描述层文档完备度	4	三张表的列名与含义有说明，评估约定（25% 跨度）写明；设备型号、层厚、重建参数未随数据发布
结构层标识体系	5	PatientID 与 StudyUID 两级主键稳定，路径表与框表可无损连接
结构层层级一致性	5	受试者、检查、视角三层计数可加和，三个子集相加等于全量
结构层模态配对	5	每个视角一个文件，标签在检查级、框在病灶级，三级粒度各自有明确归属
访问层开放程度	3	开放下载、无需申请，但 CC BY-NC 4.0 的 NC 条款把一整类使用者排除在外；全量需客户端下载
访问层可复现性	4	有官方切分、官方基线、两届挑战赛成绩与公开代码；但小测试集使复现的方差偏大
访问层许可清晰度	5	许可类型、署名要求、引用格式三件事在一处写明，无歧义

八项平均四点五分。扣分集中在两处：访问层的开放程度被非商业条款压到三分，这是所有 CC BY-NC 数据的共同代价；可复现性被测试集规模压到四分，一千七百余个体里只有六十个带框阳性，重跑一次换个随机种子，指标就会动。这两处扣分都不是「做得不好」，而是「这类数据的天花板就在这」。

§7.2 已知局限逐条

许可限制是硬约束，不是软提示。 CC BY-NC 4.0 的 NC 条款决定了这份数据无法进入任何商业训练链条。它把使用者切成了两半：学术机构可以全额使用，企业只能用于内部研究且必须评估法务风险。这是本集合与 CC BY 4.0 类数据最本质的差别。

单一中心。 全部影像来自杜克健康系统。设备、采集协议、体位摆放、读片习惯同源。跨中心泛化能力无法从数据内部评估，只能靠外部集。

测试集小。 四百一十八名受试者、四百六十次检查、一千七百二十一个体，其中带活检病灶框的只有六十人。以活检病灶为分母的敏感度，置信区间宽到接近二十个百分点。做显著性检验时，这个宽度会直接决定结论能不能立住。

验证集更小。 二百八十名受试者，带框的四十人。它的作用是早停与调参，不适合作为最终报告的来源。

方向缺陷需要上游修复。 官方承认部分文件头信息错误，并把修复责任交给了代码库。这意味着任何不经过官方函数的读取路径都是不可靠的，而这个不可靠是静默的。

标注只有两个人。 两名有经验的放射科医师，未公布一致性统计。做标注质量分析时只能定性。

没有阴性病例的空间标注。 正常组与需处理组没有框，这是逻辑必然，但也意味着无法做「全阴性体的假阳性密度」的精细分析——只能按体统计误报数，无法定位误报到哪个解剖区域。

层厚与重建参数未公开成表。 每个体的层数记在框表的 VolumeSlices 里，但只对带框的体有记录；不带框的体的层数需要自己从 DICOM 头里读。做跨体归一化时，这是一项必须先做的功课。

版本仍在推进。 v5 补齐了验证集与测试集的标签与框，未来是否会有 v6 未可知。任何引用了具体数字的工作都应记录版本号与下载日期。

§7.3 外部可比性：切分的不均衡怎么处理

跨库比较时，最常被忽略的是切分口径的差异。三个子集的规模差了一个数量级，这带来三个具体后果。

后果	表现	处理办法
置信区间宽	测试集阳性样本只有六十例	报区间而非点估计，或做自助法重采样
早停不稳定	验证集只有二百八十人	用交叉验证替代单次验证，或固定随机种子并报多次结果
与其它库不可直接比	别人在数千例上测，你在一千七百体上测	明确写出分母，不要把两个敏感度直接相减

还有一条更隐蔽的：测试集的定义在 v1 到 v5 之间变过。早期版本只发布了阶段性子集，测试集规模与现在不同。引用任何「测试集上的敏感度」时，必须同时说明版本。

§7.4 与官方文字的三处口径差异

官方材料之间并非处处一致，以下三处需要在使用时明确取值。

项	说法 A	说法 B	采用
受试者性别	数据集页称五千零六十人	论文称五千零五十九名女性（100.0%）	按五千零六十名受试者计，性别字段存在一人未被计入女性的差额，官方未解释
影像单位	数据集页称二万二千零三十二次断层扫描	论文称二万二千零三十二个重建体	按「重建三维体」理解，与「一文件一体」的结构一致
测试集规模	部分二手材料称四十例	官方表格为四百一十八名受试者、四百六十次检查	按四百一十八计；四十是验证集带框人数，六十是测试集带框人数

第三行的误读传得很广，原因不难理解：框表元信息里的「Subjects 40」与「Subjects 60」就在页面上，紧挨着切分表，稍不留神就会被当成切分规模。

§7.5 三条可以先做的自查

拿到数据的第一天，有三件事值得先做，它们的成本很低，但能挡掉后面绝大多数返工。

第一，计数对账。 用路径表按 PatientID 去重得受试者数，按 StudyUID 去重得检查数，按行得视角数，三个数与官方表逐个比。对不上，通常是因为只下了一个子集，或者下载中断导致文件缺失。

第二，标签与框的一致性核对。 框表里出现的每一个 StudyUID，其分组应当只落在 Benign 或 Cancer 上。若出现 Actionable 或 Normal 带框，说明连接键用错了，最常见的原因是把 PatientID 单独当连接键——一个人有多次检查时，会把另一次检查的框挂到这一次上。

第三，方向抽检。 随机取十个带框样本，把框画在图上肉眼确认。框落在病灶上，说明读取链路正确；框整体偏在一侧或上下颠倒，说明方向校正被跳过了。这一步不能靠指标间接判断，因为模型在错位的框上同样能收敛，只是学的是错的东西。

§8 版本与生态

§8.1 五个版本

版本	日期	变化
v1	2020-12-14	初始发布，只含训练集的一部分，配合挑战赛第一阶段
v2	2021-01-04	补验证集影像与路径表；框表新增 VolumeSlices 列
v3	2021-01-15	补测试集影像与路径表
v4	2021-06-08	补齐第二阶段影像与表，此前版本归为第一阶段
v5	2024-01-18	补验证集与测试集的分组标签表与病灶框表

版本线里最值得记的是 v5。在 v5 之前，验证集与测试集只有影像、没有标签——它们的用途是「提交预测、等主办方打分」，不是「本地自评」。v5 把标签补齐之后，这份数据才真正变成一个可以离线复现的基准。任何在 2024 年之前做的实验，其评估方式与今天不同，这一点在复现旧论文时必须考虑。

§8.2 DBTex 与 DBTex2

这份数据的公开史与两届挑战赛绑定。第一阶段在 2020 年 12 月至 2021 年 1 月进行，向参赛队提供七百个训练扫描、一百二十个验证扫描、一百八十个测试扫描；第二阶段在 2021 年 5 月至 7 月，直接开放完整数据集。共有八支队伍参赛。

评估指标是活检病灶的平均敏感度，只在含活检病灶的影像上计算；并列时用全部影像做判定。冠军队伍的平均敏感度为零点九五七（95% CI 0.924–0.984），全部提交的汇总值为零点八七九。

这里有一个容易被忽略的反差：挑战赛冠军能到零点九五七，而 2021 年论文里的基线模型在测试集上只有 65%。两个数字并不矛盾——它们的度量对象不同：前者是「在已知有病灶的影像里能不能找到」，后者是「在全部测试影像里按每个体两个假阳性的预算能做到多少」。把这两个数放在一张表里比较，是这类文献里最常见的误读之一。

§8.3 它为何能持续

一份 2020 年发布、2024 年还在更新的数据集，靠的不是情怀。三个结构性因素支撑它。

第一，它占住了一个无法回避的位置。 三维乳腺筛查的公开数据长期稀缺，而 DBT 在临床上的装机量持续上升。任何要做三维检测的团队，绕不开这份数据，因为替代品要么太小，要么不开放。

第二，它有机构承载。 杜克放射科团队持续维护，TCIA 提供长期托管与 DOI 注册。这意味着即使原作者团队解散，数据仍然可寻址、可引用。DOI 是这里的关键：它把「一份网盘上的文件」变成了一条可被引文体系追踪的记录。

第三，它被下游引用形成了刚性。 挑战赛的成绩、后续论文的对比表、教学课程的例子，都在反复引用同一份切分。切分一旦被广泛引用，就变成了事实标准，后来者即使想改也改不动。

§8.4 生态位

在乳腺影像的开源版图里，这份数据的位置可以用一句话概括：二维有 CBIS-DDSM 与 VinDr-Mammo，三维只有它够规模。 这个位置带来的好处是被引用，带来的坏处是没有竞争压力——没有第二份同量级的三维筛查集来交叉验证它的结论，所以它的局限（单一中心、方向缺陷、小测试集）会原样传递给所有基于它的工作。

§9 使用指引

§9.1 三种使用者的路径

做方法研究的：先读 §3 与 §4，把标签语义与框的粒度弄清楚，再决定任务定义。关键动作是把「分组」与「诊断」在论文的方法节里分开写，避免审稿人误以为你把 Actionable 当成了中间严重度。

做工程的：先跑通 §5.4 的读取与 §5.5 的连接，用一百个体做一次端到端冒烟，再上全量。关键动作是在数据加载层就把方向校正做掉，不要让错误流到训练循环里。

做合规的：只读 §5.2 与 §10。关键动作是确认使用场景不落在 NC 的禁止范围内，并把许可与引用写进项目的第三方清单。

§9.2 最小实现：一个能跑的采样器

下面这段把「读体、取层、裁框、缩放到固定尺寸」四步串起来，够跑通一个检测基线。

#-- 最小可用采样器：按层采样、按框裁正样本、按体裁负样本
import numpy as np
import pandas as pd
import torch
from torch.utils.data import Dataset
from duke_dbt_data import dcmread_image

class DBTPatch(Dataset):
    def __init__(self, index_csv, boxes_csv, size=224, pos_ratio=0.5):
        self.views = pd.read_csv(index_csv)
        self.boxes = pd.read_csv(boxes_csv)
        self.size = size
        self.pos_ratio = pos_ratio
        self.pos = self.boxes.reset_index(drop=True)
        self.neg = self.views[~self.views["StudyUID"].isin(self.boxes["StudyUID"])]

    def __len__(self):
        return len(self.views)

    def _crop(self, img, cy, cx):
        h = self.size // 2
        y0 = max(0, min(img.shape[0] - self.size, cy - h))
        x0 = max(0, min(img.shape[1] - self.size, cx - h))
        out = img[y0:y0 + self.size, x0:x0 + self.size]
        if out.shape != (self.size, self.size):
            out = np.pad(out, ((0, self.size - out.shape[0]),
                               (0, self.size - out.shape[1])))
        return out

    def __getitem__(self, i):
        if np.random.rand() < self.pos_ratio and len(self.pos):
            r = self.pos.sample(1).iloc[0]
            vol = dcmread_image(r["descriptive_path"], r["View"])
            sl = int(np.clip(r["Slice"], 0, vol.shape[0] - 1))
            cy = int(r["Y"] + r["Height"] // 2)
            cx = int(r["X"] + r["Width"] // 2)
            y = 1.0
        else:
            r = self.neg.sample(1).iloc[0]
            vol = dcmread_image(r["descriptive_path"], r["View"])
            sl = int(np.random.randint(0, vol.shape[0]))
            cy, cx = np.random.randint(0, vol.shape[1]), np.random.randint(0, vol.shape[2])
            y = 0.0
        img = self._crop(vol[sl].astype(np.float32), cy, cx)
        img = (img - img.mean()) / (img.std() + 1e-6)
        return torch.from_numpy(img)[None], torch.tensor([y])

print("dataset ready")

这里的负样本是随机层随机位置，这是最容易做的做法，也是最容易把模型带偏的做法——随机裁到的负样本里，绝大多数是均匀的脂肪与腺体，模型会学到「有结构 = 阳性」。改进方向是按解剖先验采样，或者引入难负样本挖掘。

§9.3 在 AI 流程中的位置

流程环节	这份数据能承担什么	不能承担什么
预训练	大规模三维输入的表示学习	高质量的分割监督
检测训练	弱监督正样本 + 检查级负样本	逐层全监督的稠密标注
内部验证	官方验证集早停	稳定的模型选择（样本太少）
外部验证	作为别人的外部测试床	作为自己模型的最终证据
上线前评估	不适用	许可不允许

§10 使用声明

项	内容
性质	公开研究用数据集词条，非医学建议
来源	官方数据集页面、官方论文、官方代码库
适用用途	学术研究、方法开发、基准评测、教学
不建议用途	商业产品训练、临床决策、患病率估计、分割任务
伦理	已去标识；禁止再识别；图像中可能残留烧录标记
许可	CC BY-NC 4.0，禁商用；引用须含 DOI 与版本号
版本	v5（2024-01-18）
状态	开放下载，维护中

常见误读

常见说法	实际情况	证据
「四级是严重度，可以当有序标签回归」	四组来自处置分岔，不构成单调刻度；Actionable 没有病理答案，在良恶性轴上没有坐标	官方四组定义 + 论文 2.1 节
「CC BY-NC 只是要求署名」	NC 是禁止商业使用，不是署名即可；商业训练、微调、蒸馏、评测都被排除	许可页 CC BY-NC 4.0 原文
「测试集只有四十例」	测试集是四百一十八名受试者的四百六十次检查；四十是验证集带框人数	官方 v5 数据表
「一万九千是患者数」	一万九千一百四十八是训练集的视角数；患者是四千三百六十二	官方 v5 数据表
「标注框就是分割掩膜」	单层中心切片上的矩形，评估时按层数 25% 延展，是命中判定的近似	官方评估约定 + 代码库
「DICOM 头可以直接信」	官方承认部分文件侧别与方向错误，真值框定义在校正后的方向	数据集页面的显著提示
「微小钙化有标注」	钙化存在但未标注，也不是召回或活检的原因	数据集页面说明
「Actionable 就是可疑恶性」	它是「需要加拍但未活检」，既非良性也非恶性	官方四组定义
「每个人都有一个框」	框只覆盖活检病例，训练集仅一百零一名受试者有框	框表元信息
「冠军零点九五七，说明任务已解决」	那是已知有病灶影像内的敏感度；全体影像上按每体两假阳性的基线只有 65%	挑战赛论文 + 2021 基线论文

FAQ

Q1：这份数据和 3d-mammogram 是什么关系？
同模态、不同侧重。3d-mammogram 规模小两个量级但标注到分割；本集合规模大、带官方切分与基线，标注只到矩形。两者不是替代关系，常见组合是先在本集合预训练、在它上面微调分割头。

Q2：为什么分组里没有「可疑」这一档？
因为分组不是影像印象分级。可疑与否属于读片阶段的主观判断，而四组记录的是随访结束后客观发生的事：有没有召回、有没有活检、活检结果是什么。想要影像印象，得看 BI-RADS 类的数据集。

Q3：能不能只用 Cancer 和 Normal 两组做二分类？
可以，而且很常见。但要知道这等于把 Actionable 与 Benign 从样本里剔掉，得到的先验与全集不同。如果只是做一个干净的对照实验，这样处理没问题；如果要报告「在本数据集上的性能」，必须说明剔除了多少。

Q4：Actionable 到底该不该算负样本？
看任务。做「是否需要召回」的模型时，Actionable 是正样本；做「是否恶性」的模型时，它是必须剔除或单独建模的一组。把它直接当负样本，会让模型学到「有异常但没活检 = 阴性」，而这个等价关系并不成立。

Q5：为什么框只在中心层？
标注成本与任务定义共同决定。三维勾画一个病灶的成本是二维的数倍，而检出任务只需要「大概在哪」，中心层加一个矩形已经够定位。官方用 25% 层跨度的约定把定位转成命中判定，是在精度与成本之间取的折中。

Q6：怎么处理方向错误？
用官方代码库的读取函数，按视角读取，让返回的数组与真值框处在同一坐标系。不要自己根据 ImageOrientationPatient 推，官方已经把这个逻辑写好了。自己实现的版本必须在带框样本上做可视化核对，确认框落在病灶上。

Q7：验证集和测试集能拿来调参吗？
验证集可以，测试集不行。但在 v5 之前，验证集连标签都没有，很多人是把训练集再切一刀。现在标签补齐了，正确做法是用官方验证集调、官方测试集只报一次。

Q8：可以把它和别的库合并训练吗？
技术上可以，许可上要小心。合并后的模型如果进入商业链条，本集合的 NC 条款会污染整个合并集。学术用途下合并是常见做法，注意维度对齐与标签语义对齐——别的库的「良性」未必等同于这里的「活检证实良性」。

Q9：为什么基线只有 65%，是不是模型太弱？
不弱。度量是「每个体两个假阳性的预算下、按乳腺计的敏感度」，这是一个很严的预算。挑战赛里零点九五七那个数字的度量方式不同，两者不能直接比。

Q10：数据里有没有合成二维图？
DBT 设备通常同时输出重建体与合成的二维图，但本集合分发的是重建体。做二维对照实验时不要假设合成图也在包里，需要自己从体重建或另找数据。

Q11：层数不一致怎么办？
按体归一化，不要按固定层数切。常见做法是重采样到固定层数，或者按物理层厚插值到统一间距。直接用「取中间若干层」的做法会在层厚不同的体上引入系统偏差。

Q12：引用要引哪一篇？
数据本身引 TCIA 的 DOI（10.7937/E4WT-CD02）并注明版本号；方法与基线引 2021 年那篇 JAMA Network Open；用了挑战赛成绩或预测结果，再补 2023 年那篇。

术语表

术语	解释
DBT	数字乳腺断层摄影，球管在有限弧度内扫描后重建出薄层序列
CC	头尾位（craniocaudal），乳腺上下压迫的投影体位
MLO	内外斜位（mediolateral oblique），沿胸肌走行的斜位投影
重建体	由多个角度投影重建出的三维像素阵列，本集合中一个文件即一个体
视角（view）	一次曝光对应的重建结果，通常每侧乳腺两个视角
中心层	病灶在层方向上的正中切片，框表 Slice 列即指它
结构扭曲	正常腺体结构被牵拉变形而无可辨肿块，DBT 上较二维更易见
Actionable	需进一步影像评估但未做活检的一组，无病理答案
弱监督	只有检查级或病灶级粗标签、没有像素级真值的学习设定
FROC	自由响应受试者工作特征曲线，横轴为每幅／每体的平均假阳性数
每体假阳性	一个三维体内误报的病灶数，是三维检测的常用预算单位
活检金标准	以组织病理作为最终判定依据的参考标准
间期癌	筛查阴性之后、下一次筛查之前被发现的癌症
one-hot	用多列 0/1 表示互斥类别，每行恰有一个 1
去标识	移除或偏移可识别个体的信息，保留研究所需的结构
NBIA	TCIA 的影像归档与检索系统，配套桌面下载客户端
IDC	Imaging Data Commons，用索引表按 SQL 检索 TCIA 影像的开放平台
DOI	数字对象标识符，给数据集一个可长期寻址的编号
源域／目标域	迁移学习里训练数据所在的域与要应用到的域
难负样本	外观接近阳性、容易被误报的阴性样本

附录 A 速查卡

键	值
数据集	BCS-DBT
DOI	10.7937/E4WT-CD02
版本	v5，2024-01-18
规模	5,060 受试者 / 5,610 检查 / 22,032 体
体积	1.63 TB
切分	4,362 / 280 / 418
许可	CC BY-NC 4.0（禁商用）
主键	PatientID + StudyUID
框粒度	单层 + 矩形
评估约定	层数 25% 跨度
官方代码	MaciejMazurowski/duke-dbt-data
基线	65%（39/60）@ 2 FP/体

附录 B 文件清单

文件	内容	用途
训练影像	DICOM，一文件一体	训练
验证影像	DICOM	早停
测试影像	DICOM	最终报告
分组标签表	四列 one-hot	检查级类别
病灶框表	十二列	病灶定位
路径表	descriptive_path 与 classic_path	路径拼接
挑战赛预测包	各队提交结果	历史对照

附录 C 外部资源对照

资源	类型	与本集合的关系
TCIA 数据集页	官方入口	下载、版本、许可的唯一权威
数据 DOI	永久标识	引用时必填
JAMA Network Open 2021	数据集与基线论文	四组定义、基线数字的出处
JAMA Network Open 2023	挑战赛论文	成绩与评测协议的出处
duke-dbt-data 代码库	官方代码	读取与方向校正
IDC 门户	检索平台	按 SQL 筛子集

附录 D 口径差异登记

项	差异	采用
性别计数	五千零六十名受试者 vs 五千零五十九名女性	按受试者计，差额未解释
影像单位	「断层扫描」vs「重建体」	按重建体
测试集规模	四十 vs 四百一十八	按四百一十八；四十为验证集带框人数
训练集规模	一万九千一百四十八	视角数，非受试者数
基线成绩	65% vs 95.7%	度量不同，不可直接比

附录 E 使用前检查清单

检查项	通过标准
许可适用性	已确认使用场景不落在 NC 禁止范围
版本记录	已记录 v5 与下载日期
读取函数	用官方函数，未自行实现方向校正
坐标系核验	抽十个带框样本，可视化确认框落在病灶上
标签语义	方法节已区分「分组」与「诊断」
负样本来源	已说明负样本是检查级标签而非密集标注
切分使用	测试集只报一次，未参与调参
引用完整	DOI、版本、方法论文、挑战赛论文四者齐备
局限声明	已写入单一中心、小测试集、方向缺陷三条

编辑说明

核验时间：2026-10-29。核验方式：用取页工具读取 TCIA 数据集页正文与数据存取表，并通过欧洲 PMC 接口取回 2021 年数据集与基线论文、2023 年挑战赛论文的摘要字段，交叉核对四组定义、切分计数与基线成绩。沙箱命令行出网白名单不含档案库域名，未做直连抓取与后端接口调用。

未覆盖内容：CSV 的实际列序与逐行内容未逐格核验，正文列名以页面文字说明为据；框表与路径表的行数只取了官方表格中的受试者数，未统计病灶条数；设备型号、层厚与重建参数官方未成表公布，文中未作估计；标注者间一致性未公开，未补充推断。

口径处理：测试集规模按官方 v5 数据表取四百一十八名受试者，与部分材料流传的「四十例」不同，差异原因已在正文 §2.7 与附录 D 写明。分级标签一律称「分组」，全文未使用「严重度」「分级」等表述描述四组关系。

本页只收录规模、结构与边界三类数字，不含分布类统计。凡涉及临床机制（召回、活检、间期癌）的陈述来自公开文献，用于解释标签语义，不代表官方立场。

免责：本页为数据集词条，不构成医学建议。任何基于本集合训练的模型在用于临床前，须经独立的前瞻性验证与监管审查；商业使用须另行取得权利方授权。

---

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：

• oasbud — 共享标签：医学影像 / 乳腺影像 / 肿瘤学 / 评测基准
• tdsc-abus-2023 — 共享标签：医学影像 / 乳腺影像 / 肿瘤学
• breast-diagnosis — 共享标签：医学影像 / 乳腺影像 / 肿瘤学
• tn-mammo-breast-density — 共享标签：医学影像 / 乳腺影像 / 肿瘤学
• dmr-ir — 共享标签：医学影像 / 乳腺影像 / 肿瘤学
• b-mode-and-ceus-liver — 共享标签：医学影像 / 肿瘤学 / 评测基准
• herlev-pap — 共享标签：医学影像 / 肿瘤学 / 评测基准
• sipakmed — 共享标签：医学影像 / 肿瘤学 / 评测基准
• camelyon17 — 共享标签：医学影像 / 肿瘤学 / 评测基准
• unitopatho — 共享标签：医学影像 / 肿瘤学 / 评测基准

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。