信息速览
INFOBOX — CT-ORG 一屏速览
维度 内容 本质 多器官 3D CT 体素级分割数据集（非挑战赛；派生自 LiTS 并扩展） 团队 Stanford University（斯坦福大学）放射学系，一作 Blaine Rister，通讯 Daniel L. Rubin 论文 Scientific Data 2020;7:381（doi:10.1038/s41597-020-00715-8；PMC7658204，CC BY-4.0） 数据 140 例 CT（119 训练 + 21 测试）；131 dedicated CT + 9 PET-CT 的 CT 分量 规模 280 series / 280 images；16.9 GB（TCIA faspex 包） 器官 6 类：liver / lungs / bladder / kidney / bones / brain（脑仅少数标注） 格式 NIfTI-1（.nii.gz），32-bit 浮点，Hounsfield 单位；轴位 0.56-1.0 mm 精度 DNN 平均 Dice 约 90%（per-organ 78-96%）；推理 4.3 秒/例 托管 The Cancer Imaging Archive（TCIA） 许可 CC BY 3.0（TCIA 官方）；HF 镜像改标 CC-BY-4.0 上游 LiTS Challenge（肝标注与大部分影像来源） 库内互链 lits(81) / totalsegmentator(422) / btcv(377) / abdomenct-1k(402) / word(412)
CT-ORG（CT volumes with multiple ORGans）是一个"把 CT 里的主要器官一次性圈出来"的数据集工程：它不追求极端规模，而是用 140 例全身/腹部 CT、6 类器官的体素级标注，回答了一个更基础的问题——能不能只靠少量人工标注加一套可自动化的形态学方法，就训出临床可用的多器官分割网络。答案是肯定的：论文报告平均 Dice 约 90%，单例推理 4.3 秒，且深度网络全面超越了它自己训练所用的形态学算法。作为斯坦福团队发表于 Scientific Data 的代表性数据集，CT-ORG 常与 TotalSegmentator、nnU-Net 并提，是 CT 多器官分割方向上被引用最多的基线数据之一。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——注意 TCIA 下载需 Aspera 插件，且官方许可是 3.0 而非镜像标的 4.0。
- 关心标注质量：直奔 §3 与 §4——训练集肺/骨是机器标的、测试集才是人标的，这个弱监督设计是理解数字的前提。
- 做下游基准：直奔 §5 生态——nnU-Net、TotalSegmentator、FS-Mamba 在 CT-ORG 上的结果可直接对标。
§0 导读：这个数据集解决什么问题
腹部与全身 CT 的分割任务长期受困于一个悖论：器官分割模型的价值巨大，但逐体素标注的成本同样巨大。一名放射科医师手工勾画一例多器官 CT 往往需要数十分钟到数小时，而深度学习模型的性能上限又高度依赖标注数据的质量与数量。在 CT-ORG 之前，公开的多器官 CT 数据集要么规模太小（如 VISCERAL Anatomy3 仅 20 例），要么只覆盖腹部裁剪区域（如 Gibson et al. 的 90 例），要么聚焦单一器官（如肝分割的 SLIVER、SLIVER07）。学界缺少一个"够用、覆盖多器官、标注口径清晰可查证"的公开基线。
CT-ORG 的回答由三层构成。第一层是数据：140 例 CT 覆盖肝、肺、膀胱、肾、骨、脑六类器官，119 例作训练、21 例作测试，全部以 NIfTI-1 格式在 TCIA 公开发布，配套 DOI 与强制引用规范。第二层是方法：面对"标注太贵"的核心矛盾，论文提出了一套弱监督 + 形态学的生产方案——用无监督形态学算法（3D 傅里叶变换加速）自动标注训练集的肺与骨，省下最耗时的两类大器官的人工成本，只对肝、肾、膀胱、脑这些"机器标不好"的器官投入人工标注。第三层是验证：用这套数据训练深度网络，测试集上证明 DNN 不仅能达到临床可用精度，还全面超越了它训练时依赖的形态学算法本身，从而反向证明了弱监督标注的有效性。
CT-ORG 与 LiTS（Liver Tumor Segmentation）的关系是一道必须说清的边界：CT-ORG 约 130/140 例的肝标注直接沿用 LiTS 挑战赛数据，影像来源也大量共享，其余缺失者由 CT-ORG 自行补齐。因此阅读本条目时，应把 CT-ORG 理解为"以 LiTS 的肝数据为种子、向多器官扩张"的数据集，而非一个完全独立采集的全新集合。这一血统也决定了它的器官分布、影像来源机构与病例特征都带有 LiTS 的烙印。
§0 读法三则：
- 这个条目是"数据集 + 方法论文"二合一：本体是 140 例带标签的 CT，方法论内核是弱监督形态学标注——两者不可分割地理解（§3、§8）。
- 全文硬数字均出自论文正文、表格与 TCIA 官方页面；三处口径冲突（license 3.0 vs 4.0、140 例 vs 130 例、5 类 vs 6 类器官）已在坑点与 §9 存照。
- 检索时若把 CT-ORG 与 LiTS、MSD、Pancreas-CT 混为一谈会踩坑——它们是同源但不同的数据集（坑 6）。
为什么"多器官"比"单器官"难一档？
单器官分割只需解决一个形状分布；多器官分割则要同时处理形状差异极大（肺是大空腔、骨是薄结构、膀胱是可变软腔）、对比度差异极大（骨在 CT 上高亮、膀胱与周围软组织灰度接近）、尺度差异极大（肺占大半躯干、肾只占一小块）的多个目标。这带来两个后果：一是类别不平衡严重（肺体素远多于膀胱），二是共用枚举空间下的相互干扰。CT-ORG 特意选了"大中小、亮暗、规则与不规则"混搭的 6 类，正是要让模型在同一个网络里学会应对这种多样性——这也是它作为基准台比单器官数据集更有区分度的原因。
为什么"弱监督"是这个数据集的题眼？
如果把 CT-ORG 只当作"140 例带标签数据"，会错过它一半的价值。它的核心主张是：标注成本可以靠"能自动化的先自动化"来压缩。肺和骨的边界在 CT 上对比度高、形状稳定，形态学算法（形态学开闭运算 + 3D 傅里叶变换加速）就能给出质量可用的标签，于是训练集里最耗时的两类大器官被自动解决；只有真正难标的肝/肾/膀胱/脑才动用人工。这套"自动优先、人工兜底"的分工，才是 CT-ORG 方法学的题眼，也是 §3 与 §8 反复展开的主线。
§1 数据集速览：十问十答
Q1：CT-ORG 的"140 例"从哪来？
140 例全部为公开可查证的 CT 扫描，每位患者对应一例，共 140 位唯一患者，官方标注为 119 例训练 + 21 例测试两个子集。其中约 130 例的肝标注直接沿用 LiTS 挑战赛，影像来源横跨慕尼黑大学、奈梅亨 Radboud UMC、蒙特利尔、特拉维夫大学、示巴医学中心、斯特拉斯堡 IRCAD、耶路撒冷希伯来大学等多家机构。
Q2：CT-ORG 到底标了哪些器官？
官方论文口径为 6 类器官：liver（肝）、lungs（肺）、bladder（膀胱）、kidney（肾）、bones（骨）、brain（脑）。但要注意 TCIA 摘要描述为"each with five organs labeled in 3D"（肺、骨、肝、肾、膀胱五类全标注），脑仅为少数扫描提供的第六类——因此准确表述是"5 类全器官标注 + 1 类部分标注 = 6 类器官体系"（详见坑 3）。
Q3：影像来自哪些扫描类型，规格如何？
合计 131 例 dedicated CT + 9 例 PET-CT 的 CT 分量。9 例 PET-CT 全部来自 Stanford Healthcare。格式为 NIfTI-1（.nii.gz），32-bit 浮点，存储 Hounsfield 单位的完整 3D 体数据；dedicated CT 的轴位分辨率范围为 0.56 mm – 1.0 mm。标注在患者原生空间，无配准变换。
Q4：标注是谁做的？怎么保证质量？
采用三层弱监督流程：(1) 肺与骨——训练集用无监督形态学算法自动分割（3D 傅里叶变换加速），测试集才用人工分割；(2) 肝、肾、膀胱、脑——训练集与测试集均人工标注；(3) 人工工具为 ITK-SNAP（半自动 active contour 起始 + 人工清理）。21 例测试集由经验丰富的 board-certified 放射科医师复核，其中 9/21 例被细化到更高精度，医师评价原标注质量高、后续修正轻微。
Q5：论文报告的分割精度是多少？
摘要口径为 per-organ Dice 78–96%、平均 90%，单例推理 4.3 秒（3 mm³ 分辨率、4 GPU）。论文 Table 3 给出更细的 per-organ 对比：加入数据增强后 Lung 95.5 ± 4.5、Liver 95.2 ± 2.5、Kidney 91.8 ± 4.0、Bone 85.8 ± 6.2、Bladder 77.7 ± 17.8。DNN 全面超越其训练所用的形态学算法。
Q6：CT-ORG 是挑战赛吗？
不是。CT-ORG 是斯坦福团队整理发布并配套 Scientific Data 论文的静态数据集，没有排行榜、没有提交窗口、没有官方比赛。它与挑战赛的关系是"血缘"——派生自 LiTS 挑战赛的肝数据，并与 MSD、Pancreas-CT 共享部分影像谱系，但本身是数据集而非赛事。
Q7：许可是什么，怎么获取？
官方许可为 CC BY 3.0（TCIA 页面 images 与 data description 均标 3.0）。获取入口为 TCIA 官网 collection 页，下载需 IBM Aspera Connect 插件，发布体积 16.9 GB。数据引用为强制要求：Rister, B., Shivakumar, K., Nobashi, T., & Rubin, D. L. (2019). CT-ORG (Version 1) [dataset]. The Cancer Imaging Archive. DOI: 10.7937/tcia.2019.tt7f4v7o。注意 HuggingFace 上的第三方再分发镜像改标为 CC-BY-4.0，与官方不一致（坑 1）。
Q8：数据里有什么已知问题？
最值得注意的是 TCIA 明确提示的左右翻转伪影：“several volumes appear to be left-right flipped relative to others”——部分体积相对其他体积左右翻转，会破坏单侧器官（尤其是肾）的空间一致性。此外，9 例 PET-CT 的 CT 分量是低剂量、非诊断级影像，5/9 患者手臂置于体侧产生条纹伪影；脑标注仅覆盖少数扫描。
Q9：CT-ORG 与 LiTS 是什么关系？
直接上游关系。CT-ORG 约 130/140 例的肝标注直接取自 LiTS 挑战赛，影像来源也大幅共享；其余不足的部分由 CT-ORG 自行补齐。可以说 CT-ORG 是"以 LiTS 的肝分割成果为种子，向肺/骨/肾/膀胱/脑多器官扩张"的产物。做文献引用时不应把两者等同，但理解 CT-ORG 的肝数据必须回到 LiTS。
Q10：谁适合用 CT-ORG？
- 需要公开多器官 CT 分割基线做方法对比的研究者；
- 研究弱监督、形态学伪标签、标注成本压缩的方法学团队；
- 训练/评测 CT 多器官分割网络（nnU-Net、TransUNet、TotalSegmentator 类模型）的开发者；
- 需要**可查证、许可宽松（CC BY 3.0）**的医学影像数据用于教学与复现的人。
- 不适合：需要极高病例量（>1000 例）做纯数据驱动训练者、需要脑器官全覆盖标注者、需要 DICOM 原始序列做重建研究者（CT-ORG 交付的是 NIfTI）。
§2 数据构成与规格：140 例、280 文件、6 类器官
理解 CT-ORG 的第一件事，是把它当作一份"经过配对整理"的数据集来看：它不是一个原始 DICOM 影像库，而是把每位患者的 CT 体数据与对应的多器官标注，成对打包为可直接送入深度学习框架的 NIfTI 文件。这一节把它的规模、来源、格式与类别体系逐一拆开。
2.1 规模：一组必须记牢的硬数字
| 维度 | 数值 | 说明 |
|---|---|---|
| 患者数 | 140 例 | 140 位唯一患者，每人一例 |
| 影像 + 标注文件 | 280 series / 280 images | 140 volume + 140 label 成对 |
| 器官类别 | 6 类 | liver / lungs / bladder / kidney / bones / brain |
| 训练 / 测试划分 | 119 / 21 | 官方预划分 |
| 影像构成 | 131 dedicated CT + 9 PET-CT（CT 分量） | 9 例 PET-CT 全来自 Stanford Healthcare |
| 发布体积 | 16.9 GB | TCIA 下载包（faspex） |
| 格式 | NIfTI-1（.nii.gz） | 32-bit 浮点，HU 单位 |
| 轴位分辨率 | 0.56 mm – 1.0 mm | dedicated CT 口径 |
| 性别分布 | 62.5% 男 / 37.5% 女 | 数据集提供的唯一人口学统计 |
| 肝病灶数 | 0 – 75 个/患者 | distinct liver lesion |
这组数字中，“280” 容易被误读：它指的是"文件/series 数量"而非"病例数"。因为每一例都包含一个影像体数据文件和一个标签文件（在 TCIA 里作为两个 series 呈现），所以文件数是病例数的两倍。撰写论文或做数据统计时若把 280 当作样本量，会直接夸大数据集规模——这是使用社区文本时的高频错误（参见坑 7）。
2.2 来源机构：多中心拼装的影像谱系
CT-ORG 的影像并非单一医院产出，而是横跨多国临床站点与公开挑战赛的拼装体。论文 Data Records 记录的来源站点包括：
- Ludwig Maximilian University of Munich（慕尼黑大学）
- Radboud University Medical Center of Nijmegen（奈梅亨 Radboud UMC）
- Polytechnique & CHUM Research Center Montreal（蒙特利尔）
- Tel Aviv University（特拉维夫大学）
- Sheba Medical Center（示巴医学中心）
- IRCAD Institute Strasbourg（斯特拉斯堡 IRCAD）
- Hebrew University of Jerusalem（耶路撒冷希伯来大学）
- Stanford Healthcare（斯坦福医疗）——9 例 PET-CT 的 CT 分量全部来自此处
多中心来源既是优点也是陷阱。优点是影像的机型、协议、人群分布更接近真实世界的异质性，训练出的模型泛化性表面上更好；陷阱是**"异质性"里混入了并未完全标准化的采集差异**——尤其是那 9 例 PET-CT 的 CT 分量，它们是低剂量、非诊断级的衰减校正扫描，与其余 131 例诊断级 CT 在噪声、对比度、伪影上都不可同日而语（详见 §10 坑点与 §2.5）。
2.3 影像规格：NIfTI-1、HU、原生空间
CT-ORG 交付的影像规格可以被概括为"深度学习友好型"：
- 格式：每个 NIfTI-1（
.nii.gz）文件存整个 3D CT 体数据。相比 DICOM 序列，NIfTI 单文件承载全量体素、自带仿射矩阵，无需使用者自己做层间堆叠。 - 数值：32-bit 浮点，以 Hounsfield 单位（HU） 存储体素强度。这意味着影像保留了定量 CT 的物理含义（空气约 −1000 HU、水约 0 HU、骨 > 300 HU），可直接做窗宽窗位调整与强度归一化。
- 空间：标注在患者原生空间（native space），不做任何配准变换。这降低了使用门槛，但也意味着不同病例之间的解剖空间并不对齐——若要跨病例做图谱配准（atlas registration），需自行处理。
- 分辨率：dedicated CT 的轴位（in-plane）分辨率为 0.56 mm – 1.0 mm；层厚（slice thickness）往往更粗且因病例而异。这是"各向异性体素"的常见情形——衍生近似各向同性体素时需重采样。
一句话记住 CT-ORG 的规格立场：它不是 DICOM 原始档案，而是"已替你整理成 NIfTI 的 3D 体数据 + 原生空间标签"。需要 DICOM、需要原始重建、需要层间动力学信息的研究者，应当转向原始数据源而非 CT-ORG。
HU 与窗宽窗位：使用 CT-ORG 绕不开的第一道处理。 由于 CT-ORG 以 HU 存储强度，直接用原始值送网络通常不是最优解——HU 的动态范围很宽（约 −1000 到 +3000），而不同器官只占其中一段。常见做法是按器官组分别窗口化：
- 肺窗（窗宽约 1500、窗位约 −600）：突显充气肺组织与气道；
- 骨窗（窗宽约 2000、窗位约 400）：突显骨皮质与骨小梁；
- 腹部软组织窗（窗宽约 400、窗位约 50）：突显肝、肾、膀胱等实质器官。
多器官分割的通行策略是多窗融合或统一的宽窗 + 归一化（如把 HU 截断到 [−1000, 1000] 再线性映射到 [0,1] 或 z-score）。CT-ORG 官方不做窗口化，把选择权交给使用者——这既是灵活性，也意味着不同论文的预处理口径不同，分数不可直接横比（除非双方都说明预处理，见 §4.6）。
2.4 类别体系：5 类全标注 + 1 类部分标注 = 6 类
这是 CT-ORG 最容易被争议、也最需要在写作中说清的一点。两个官方口径并存：
- TCIA 摘要：
each with five organs labeled in 3D——即肺、骨、肝、肾、膀胱五类。 - 论文摘要：
six organ classes——上述五类再加 brain（脑）。
两者并不矛盾，而是覆盖范围不同：
| 器官 | 是否全病例标注 | 训练集来源 | 测试集来源 | 说明 |
|---|---|---|---|---|
| Liver（肝） | 是 | 人工（主体沿用 LiTS） | 人工 | 约 130/140 例沿用 LiTS |
| Lungs（肺） | 是 | 形态学算法自动 | 人工 | 弱监督设计的核心对象 |
| Bones（骨） | 是 | 形态学算法自动 | 人工 | 与肺同理 |
| Kidney（肾） | 是 | 人工 | 人工 | 单侧受左右翻转伪影影响 |
| Bladder（膀胱） | 是 | 人工 | 人工 | Dice 方差最大（低对比） |
| Brain（脑） | 否（少数） | 人工 | 人工 | 仅部分扫描提供 |
准确的表述是：“5 类器官全标注 + 1 类器官（脑）部分标注 = 6 类器官体系”。做评测时，脑的可用样本数远小于其他五类，若把它与其他五类并列计算"平均 Dice"，会因样本基数不同而产生偏差。这也是许多下游基准（如 TotalSegmentator、nnU-Net 复现）只报告肺/肝/肾/骨/膀胱五类的原因（详见 §4）。
2.5 三个"藏在规格里的坑"
其一，9 例 PET-CT 的异质性。 官方摘要称其中 9 例是"取自 PET-CT 检查的 CT 分量"。这些是低剂量、非诊断级衰减校正 CT，噪声高、对比度弱；据第三方论文（MDPI, 2022）描述，其中 5/9 例患者手臂置于体侧，产生条纹伪影。它们对泛化性测试是有价值的压力样本，但对训练而言属于分布外样本——若不加区分地混入训练集，可能拉低模型在诊断级 CT 上的表现。
其二，左右翻转伪影。 TCIA 页面明确提示：several volumes appear to be left-right flipped relative to others。部分体积相对其他体积发生了左右镜像翻转，这直接破坏解剖先验的空间一致性，对**肾（左右各一，位置不对称）**的影响尤其严重。若做基于位置先验的建模或左右侧分别评估，必须先做方向一致性检查（参见坑 4）。
其三，肝病灶的"数不清"。 每患者的 distinct liver lesion 数量从 0 到 75 个不等，跨度极大。这说明 CT-ORG 的病例里既有无可见病灶者，也有弥漫多发转移者——它并非一个均衡的病灶分割数据集，而是"以器官为标注主体"的数据集。真正做肝肿瘤分割时，应回到 LiTS 或专门的肿瘤数据集，不要把 CT-ORG 的肝标注误当作肿瘤标注（肝标注是器官轮廓，不是病灶轮廓，参见坑 6）。
2.6 训练/测试划分的用法
官方给出 119 训练 / 21 测试 的预划分。这一划分的意义在于：
- 便于方法间公平比较。大量下游工作（nnU-Net 复现、TotalSegmentator 评测、FS-Mamba 等）都遵循这一划分，报告数字时才具可比性。
- 测试集 21 例承载了额外的质检价值——它们经过 board-certified 放射科医师复核（详见 §3），标注质量高于训练集，因此作为评测基准更可信。
但要注意：119/21 划分并非完美分层。由于 9 例 PET-CT 的特殊性，它们落在哪一侧会显著影响评测难度；此外脑标注分布不均，把脑纳入测试评估时样本会更少。严格复现时应记录自己所用划分，并在论文中说明是否与官方一致（参见 §4.4 的"复现纪律"）。
§3 标注工艺：弱监督、形态学算法与 ITK-SNAP
CT-ORG 在数据集层面的"技术创新"不在规模，而在标注工艺。它用一条"自动 + 人工"混合流水线，回答了一个现实问题：当全人工标注 140 例多器官 CT 的成本高到不可承受时，能否用无监督形态学算法先把高对比度器官"免费"标出来，把人力留给真正难的器官？ 这一节拆解这条流水线。
3.1 三层标注流程
论文把标注分为三类对象、两套方法的组合：
第一层：肺与骨——训练集自动、测试集人工。
- 训练集：肺与骨用无监督形态学算法自动分割。算法核心是利用肺（充气、低 HU）与骨（高 HU）在 CT 强度直方图上的"两端"特性，通过阈值、连通域、形态学开闭运算等手段提取，并用 3D 傅里叶变换加速（在频域做大规模形态学操作，速度远快于空间域卷积）。
- 测试集：同样的器官在测试集上改用人工分割。这一设计很关键——它保证了评测基准（测试集）的标签是"人手标准"，而非"算法输出"，从而让"训练出的 DNN vs 训练所用形态学算法"的比较是公平的。
第二层：肝、肾、膀胱、脑——训练集与测试集均人工标注。
这四个器官要么对比度不足（膀胱、肾皮质），要么解剖边界模糊（肝与邻近脏器），形态学阈值法无法可靠处理，因此全部依赖人工。人工流程并非"从零手涂"，而是：
- 用 ITK-SNAP 的半自动 active contour（活动轮廓） 工具生成初始轮廓；
- 在切片上逐层人工清理、修正、合并；
- 复杂病例辅以区域生长与手工补描。
第三层：质检——测试集由放射科医师复核。
21 例测试集交给经验丰富的 board-certified 放射科医师复核。结果：整体评价原始标注质量高，修正轻微；其中 9/21 例被进一步细化到更高精度。这层复核把测试集提升为"经专家背书的基准"，是 CT-ORG 相对纯众包标注数据集的可信度来源。
3.2 为什么叫"弱监督"
论文把肺与骨自动标注称为弱监督（weak supervision）。这里的"弱"指：监督信号不是逐体素的人工真值，而是由无监督算法基于图像自身结构生成的伪标签（pseudo-label）。用这些伪标签训练 DNN，等价于让网络去"模仿一个不需要人工的规则"，从而把标注成本从人力转移到算力。
这条思路的价值与边界都很清晰：
- 价值：肺和骨是全 CT 里对比度最高的两类结构，形态学算法在其上已能接近人工水平（论文中骨形态学 Dice 86.0 甚至略高于无增强的神经网络 82.7）。因此用它们做伪标签"性价比"最高——几乎零人力成本换来可用监督。
- 边界：形态学算法在**肺（尤其含病变/积液时）与骨（尤其碎裂、邻近软组织）**上会系统性出错。论文也坦承：加入数据增强后训练的 DNN 全面超越了这些伪标签的来源算法——也就是说，DNN 学会了"修正"弱标签的错误。这提示使用者：伪标签可以教网络，但不能作为最终标注质量的代言。
3.3 工具链与标注者
- 人工标注工具：ITK-SNAP——医学影像分割领域最常用的开源交互工具，主打 active contour（活动轮廓）半自动分割，兼顾效率与精度。
- 标注者：一名有数年 CT 标注经验的研究生执行或监督标注（论文口径）。这一人力配置解释了为何流程要引入形态学自动化——单人产能有限，必须把高对比度器官自动化释放出来。
- 开源代码：形态学算法脚本公开于 GitHub（
bbrister/ctOrganSegmentation），含findLungsCT.m/findBonesCT.m/findMediastinum.m等 MATLAB 脚本，并依赖aimutil子模块。研究者可据此复现伪标签生成过程，或将其迁移到自有数据。
3.4 肝标注的特殊来源：LiTS 种子
CT-ORG 的肝标注并非全部自产。约 130/140 例的肝标注直接沿用 LiTS 挑战赛的成果，其余缺失者由 CT-ORG 自补。这一点在写作中必须讲清，因为：
- 它解释了 CT-ORG 肝指标（Dice 95.2）为何起点很高——底层是 LiTS 社区打磨过的标注；
- 它是 CT-ORG 与 LiTS 不能等同、但必须联动引用的原因（引用 CT-ORG 的肝数据时，溯源应到 LiTS）；
- 它是理解"CT-ORG 是 LiTS 的多器官扩张"这一定位的落脚点（详见 §7 生态定位、§9 库内关系）。
3.5 标注质量的已知残留问题
即使经过三层流程与专家复核，CT-ORG 的标注仍带有若干残留问题，使用者必须知情：
- 左右翻转：部分体积相对其他体积左右镜像（TCIA 明示），左右侧器官评估需先做方向一致性校正。
- 脑标注稀疏：脑只覆盖少数扫描，不能当作全量标注使用。
- 训练集自动标签的误差：肺与骨的训练标签来自形态学算法，在这些结构出现病变、积液、骨折、金属伪影时可能系统性错误。若用训练集标签做"监督上限"分析，会低估人工可达到的上限。
- PET-CT 子集的低剂量属性：9 例 PET-CT 的 CT 分量是低剂量非诊断级影像，与其余病例分布不同。
把这些问题放在明处，不是贬低数据集，而恰恰是 CT-ORG 的价值之一——它是一份"标注来源与局限都被文档化"的数据集，而非一份"看起来完美却不透明"的数据集。对 AI-Ready 数据集而言，可解释的局限优于不可见的偏差。
3.6 标注成本的账：为什么要弱监督
把标注工艺放回经济学视角，CT-ORG 的取舍逻辑才完整。多器官体素级标注的成本结构大致是：
| 器官 | 边界清晰度 | 形态学可行性 | 人工耗时（相对） | CT-ORG 的选择 |
|---|---|---|---|---|
| 肺 | 极高（充气低 HU） | 高 | 高（体积大） | 训练集自动 |
| 骨 | 高（密度高 HU） | 高 | 高（结构碎、分布广） | 训练集自动 |
| 肝 | 中（邻接脏器） | 低 | 中（体积大） | 人工（多沿用 LiTS） |
| 肾 | 中低（皮质对比弱） | 低 | 中 | 人工 |
| 膀胱 | 低（灰度近软组织） | 低 | 中 | 人工 |
| 脑 | 高（骨内低对比但轮廓清楚） | 中 | 中 | 人工 |
这张表解释了 CT-ORG 的分工：肺与骨虽然体积巨大、人工耗时最贵，却因为对比度最高而最适合自动化——把最贵且最可自动的两类交给算法，是成本收益比最高的选择。反之，肝/肾/膀胱虽体积或小或中，但形态学搞不定，只能人工。这套"按可自动化程度而非按体积分配人力"的思路，是弱监督设计的真正内核。
3.7 标注者与质检的层级结构
CT-ORG 的标注组织是一套典型的层级质控模型：
放射科医师（board-certified） ← 仅复核测试集 21 例，9/21 例细化
▲
│ 复核 / 细化
研究生（数年 CT 标注经验） ← 执行或监督全部人工标注
▲
│ 操作
ITK-SNAP（active contour 起手 + 清理） ← 工具层
▲
│ 辅助
无监督形态学算法（3D FFT 加速） ← 仅肺/骨训练集，生成伪标签
这个结构的关键特征是专家只把关测试集：不是"每例都过专家"，而是"最贵的专家资源投在最需要的地方"。这既是成本考量，也符合评测逻辑——训练集可以容忍噪声，测试集必须干净。对想借鉴这套流程的小团队，启发是：把专家时间花在测试集上，比花在训练集上对"可复现评测"的边际价值更高。
3.8 一张图看懂标注流水线
140 例 CT 影像
│
├─ 肺 / 骨 ──┬─ 训练集(119)：无监督形态学算法（3D 傅里叶加速）→ 伪标签
│ └─ 测试集(21) ：人工分割（ITK-SNAP）
│
├─ 肝 / 肾 / 膀胱 / 脑
│ └─ 训练集 + 测试集：人工标注（ITK-SNAP active contour + 清理）
│ └─ 肝：约 130/140 例沿用 LiTS 标注
│
└─ 质检：21 例测试集经 board-certified 放射科医师复核
（9/21 例细化到更高精度；评价：原标注质量高、修正轻微）
这张流水线图揭示 CT-ORG 的核心权衡：用算力换取高对比度器官的标注人力，把人留给低对比度器官，再用专家复核守住测试集的基准质量。理解这条权衡，是理解 CT-ORG 全部下游评测数字的前提——也是理解为何它能以 140 例的规模，仍被 CT 多器官分割社区长期用作标准 baseline 的原因。
§4 评估与基准：CT-ORG 到底"打几分"
一个数据集值不值得用，最终要看它能不能把模型"喂"到可用精度，以及它作为评测台是否稳定、公平、可复现。CT-ORG 在这方面有清晰的官方成绩单，也积累了一整套外部基准。这一节把官方 Table 3 原样摊开，再看下游方法的公共得分，最后交代复现纪律。
4.1 官方自评：论文 Table 3（Dice，mean ± std）
论文对测试集 21 例做了系统评测，用中位 checkpoint（median checkpoint）报告 per-case Dice。三种标注来源同台对照——这就是"人工标注 vs 形态学自动标注"的直接比拼：
| 器官 | NN 无增强 | NN 有增强 | 形态学算法 |
|---|---|---|---|
| Lung（肺） | 93.8 ± 5.9 | 95.5 ± 4.5 | 93.6 ± 12.5 |
| Liver（肝） | 92.0 ± 3.6 | 95.2 ± 2.5 | n/a |
| Bone（骨） | 82.7 ± 7.6 | 85.8 ± 6.2 | 86.0 ± 6.1 |
| Kidney（肾） | 88.2 ± 7.9 | 91.8 ± 4.0 | n/a |
| Bladder（膀胱） | 58.1 ± 22.3 | 77.7 ± 17.8 | n/a |
读这张表有三个要点：
- 数据增强（data augmentation）全面有效。每一个器官上，“NN 有增强"都优于"NN 无增强”，肺 +1.7、肝 +3.2、肾 +3.6、膀胱更是 +19.6 个点。膀胱的巨幅提升说明：在样本量有限、器官形状变异大的类别上，增强是把模型从"勉强"拉到"堪用"的关键杠杆。
- 形态学算法并非全输。骨这一类，形态学 Dice 86.0 反而高于无增强 NN 的 82.7、略高于有增强 NN 的 85.8（论文指出骨在 Dice 之外的指标上 NN 反超——呼应 Ghafoorian 等关于"指标选择影响结论"的经典观察）。这说明用形态学结果做骨分割的辅助先验，是有据可依的，也正是 CT-ORG"弱监督"设计的思想来源。
- 膀胱是公认短板。即使有增强，77.7 ± 17.8 的方差也大得刺眼，说明膀胱标注/形状的个体差异极强，是 CT-ORG 上最不"稳"的类别。任何刷榜的人都得对膀胱单列说明。
4.2 摘要口径：一句话成绩单
论文摘要给出的是更凝练的版本，也是被引用最多的一段数字：
- Dice 78–96% per organ，平均值 90%——覆盖前述所有器官的区间，均值落在 90% 这条"临床可用"的模糊边界上；
- 推理 4.3 秒/例，在 3 mm³ 分辨率、4 GPU 的配置下测得。这个速度数字常被下游引用来说明 CT-ORG 训练出的模型可满足批量筛查的吞吐需求。
口径提示：摘要的 90% 是"平均"、Table 3 是"per organ"；两者不冲突，但引用时务必标明是哪一个，避免把膀胱 77.7 与肺 95.5 混成一个数。
4.3 论文自身的水平定位
论文结论有两句关键判断，构成 CT-ORG 的自我定位：
- 数据足以训练 DNN 达到临床可用精度——这是对"140 例是否够"这个最常见质疑的直接回应：在弱监督 + 数据增强的组合下，够用；
- DNN 全面超越其训练所用的形态学算法——肺指标全胜、骨除 Dice 外全胜。这条把 CT-ORG 从"又一个标注集"抬升为"验证弱监督可行性的实验平台"。
4.4 下游公共基准：别人在 CT-ORG 上考了多少分
数据集的生命力体现在有没有人拿它当评测台。CT-ORG 上已形成一个可横向比较的公共基准谱系（下列均为第三方结果，非论文官方口径，引用时须区分）：
| 方法 | 平均 Dice | HD95 | 备注 |
|---|---|---|---|
| FS-Mamba（2025, JACMP） | 92.81% ± 1.27% | 10.74% | 膀胱/肾/骨优于对比法 |
| TotalSegmentator（baseline） | 92.26% ± 1.49% | 11.62% ± 2.95% | 开箱即用强基线 |
| nnU-Net v2（Ankara, 2025） | fold4 val 0.951 | — | 21 例独立测试，详见下 |
| Swin-UMamba | 91.64% | — | 纯 Transformer/SSM 变体 |
| TransUNet | 91.39% | — | CNN+Transformer 混合 |
| nnUNet31 | 91.06% | — | nnU-Net 早期版本 |
| UNet | 86.98% | — | 经典基线 |
nnU-Net v2 的细分成绩（119 例训练 / 21 例独立测试）最能说明问题：
- fold4 验证 Dice 0.951；
- 测试集逐器官：lungs 0.975 / liver 0.949 / kidneys 0.911 / skeletal 0.899 / bladder 0.865。
把这张表与 4.1 的官方 Table 3 并读，会发现一个高度一致的规律：肺最易（0.975）、肝次之（0.949）、肾中游（0.911）、骨偏难（0.899）、膀胱最难（0.865）——五年过去，下游用更强的架构（nnU-Net、SSM、Transformer）也改不动这个难度排序。这正是一个成熟数据集的特征：难度序稳定，说明标注本身一致，模型间可比。
4.5 评测指标约定
CT-ORG 生态里的通用指标：
- Dice（Dice Similarity Coefficient）——重叠度，主指标，区间 [0,1]，多数论文以百分比呈现；
- IoU / Jaccard——与 Dice 单调等价，部分工作并用；
- （平均对称）表面距离——论文 Table 4/5 使用，衡量边界误差；
- Hausdorff 距离 / HD95——最坏边界偏差，HD95 取 95 分位以抗离群，近年下游论文标配。
4.6 复现纪律：三条判读提醒
拿 CT-ORG 报数时，有三点必须交代，否则结论不可比：
- 训练/测试划分是否用官方的 119/21。有人把 140 例全用来训练再随机切分，结果会系统性偏高，与原论文不可比；
- 是否按官方原生空间评测。CT-ORG 标注在患者原生空间、无重采样配准，擅自统一分辨率会改变小器官（膀胱、肾）的边界难度；
- 是否单列膀胱。由于膀胱方差极大（Table 3 中 ±22.3），只报"平均 Dice"会掩盖这一hard case，负责任的做法是逐器官报告。
§5 下游生态：谁在用 CT-ORG，用它做什么
CT-ORG 的价值不只在论文本身，更在它成了 CT 多器官分割的"公共考场"。这一节梳理下游方法谱系、工具生态，以及它在评测格局里的定位。
5.1 下游方法谱系
按范式归类，CT-ORG 上出现过的方法大致四支：
- nnU-Net 家族——最强的通用基线。nnU-Net v2 在 CT-ORG 上取得 fold4 0.951，是当前事实上的"及格线"。任何新方法不上 nnU-Net 对照，很难被采信。家族内部的 nnUNet31（91.06%）说明架构迭代本身也能带来约 4 个点的涨幅。nnU-Net 之所以在 CT-ORG 上表现稳定，源于它的自动配置机制（self-configuring）：根据数据集的体素间距、图像尺寸、类别数自动推导 patch 大小、网络深度、批大小与归一化方案，正好吃透了 CT-ORG"多中心、原生空间、分辨率不一"的特点。对使用者而言，这意味着用 CT-ORG 的官方 119/21 划分跑一遍原版 nnU-Net 的 3d_fullres 配置，就能得到一个与文献可比的强起点，几乎不需要额外调参。这是 CT-ORG 作为数据集"友好度"的直接体现。
- Transformer / SSM 混合支——TransUNet（91.39%）开创 CNN+Transformer 混合范式；Swin-UMamba（91.64%）把 Swin 与 Mamba 结合；FS-Mamba（92.81%，HD95 10.74%）是目前在 CT-ORG 上报出的最高平均 Dice，其卖点是膀胱/肾/骨等困难类别上的增益。这条支线的共同叙事是"用注意力/状态空间建模长程依赖，改善多器官边界"。值得注意的是，这一支的提升主要落在小器官与被伪影污染的器官上，说明它们的真正贡献是边界鲁棒性而非整体容量。FS-Mamba 报出的 HD95 10.74% 优于 TotalSegmentator 的 11.62%，边界质量的改善比 Dice 数字更能说明问题。
- 开箱即用基线支——TotalSegmentator 以 92.26% ± 1.49% 的平均 Dice、11.62% ± 2.95% 的 HD95 充当"不训练也能打"的参照，常用于验证 CT-ORG 的难度是否被高估。它的意义在于给 CT-ORG 设了一个"零训练下界"：任何需要从头训练的方法，若连 TotalSegmentator 都打不过，就说明训练管线或数据划分出了问题，而非模型不够强。
- 新任务支——CAT（arXiv 2406.07085）等把 CT-ORG 用作更复杂任务（如带类别条件的多任务分割）的底板，说明它已从"器官分割专用"扩展为"CT 理解通用测试床"。这条支线的存在本身是对数据集质量的背书——只有标注足够干净、类别定义足够清晰的数据集，才敢被拿去做超出原始任务的新任务。
从方法谱系能读出的三条趋势：
- 架构红利在收窄。UNet 86.98% → nnUNet31 91.06% 是约 4 个点的大跃迁，但 nnUNet31 → nnU-Net v2 → Swin-UMamba → FS-Mamba 之间总共只挪动了约 2 个点。这说明 CT-ORG 的分数快速逼近标注质量允许的上限；
- 难度集中在少数器官。肺/肝/肾三类几乎所有方法都能到 0.9 以上，真正的分水岭在骨与膀胱——膀胱 Dice 从 0.865（nnU-Net v2）到 77.7（论文有增强 NN）区间，是各家拉开差距的主战场；
- 评价重心从 Dice 转向边界与鲁棒性。近年论文标配 HD95，且开始报告跨中心、少样本、伪影条件下的表现——这与 CT-ORG 自身"多中心 + 带伪影"的特性正好契合。
一个值得注意的信号：新方法（FS-Mamba、Swin-UMamba）相对 TotalSegmentator 的提升普遍在 1–2 个百分点以内。这暗示 CT-ORG 上的"分数天花板"已不高，未来增量更可能来自鲁棒性、跨中心泛化、少样本等维度，而非单纯刷新 Dice。
5.2 工具与框架生态
CT-ORG 的格式友好是其被广泛采用的技术前提——NIfTI-1 是医学影像 AI 生态的"通用货币"：
- MONAI——医学影像 AI 框架，其文档与教程中常以 CT-ORG 类多器官 CT 分割任务作示例，配 transforms/dataloader 可直接读取
.nii.gz； - nnU-Net / nnU-Net v2——自带 NIfTI 预处理流水线，CT-ORG 几乎零改造即可接入；
- ITK-SNAP / 3D Slicer——标注工具与可视化查看器，ITK-SNAP 正是 CT-ORG 人工标注的原始工具，用它回看标注是"原汤化原食"；
- GitHub 源码生态——官方
ctOrganSegmentation仓库（MATLAB 形态学脚本）为"自己复现弱监督标签"提供了可能，尽管 MATLAB 依赖使实际使用门槛偏高。
5.3 生态定位：CT 多器官分割的"标准 baseline"
把 CT-ORG 放进 CT 分割的数据集版图，它的位置可以这样描述：
- 它不是最大的——VISCERAL Anatomy3 只有 20 例、WORD 为 16 器官但规模另论；CT-ORG 以 140 例 / 6 类 走"中等规模、类别精炼"路线；
- 它是最"标准"的之一——得益于 TCIA 托管、CC BY 3.0、NIfTI 原生、与 LiTS 同源，CT-ORG 成了"肝/肺/肾/骨/膀胱"这五件套的事实基准，新方法报分时默认用它做多器官对照；
- 它的长尾价值在弱监督——形态学自动标注 + 人工修正的半自动流水线，是"如何在标注预算有限时再造一个数据集"的可复用范式，这套方法学比数据本身影响更久。
5.4 CT-ORG 作为基准台的三个必要条件
CT-ORG 之所以能成为"标准 baseline"，不是偶然，它同时满足三个条件，缺一不可：
- 划分固定且公开——119/21 是官方给定的，任何人复现都得到同一个测试集，方法之间才可比。相比之下，有些数据集只给全部数据由使用者自行划分，结果各自报分、无法横向对照；
- 许可允许公开评测——CC BY 3.0 意味着任何人都能下载、跑、报分并公开结果，不会因授权问题被迫隐藏评测细节；
- 难度分布有梯度——从最容易的肺（0.975）到最难的膀胱（0.865），一张表上既有"送分题"也有"压轴题"，能同时考察方法的整体能力与边界处理能力。
这三点合起来，使 CT-ORG 成为"新方法的低成本验证场"：一个分割网络想证明自己通用，在 CT-ORG 上跑一遍并逐器官报分，几乎成了行业惯例。
5.5 生态位对照：它排挤掉了谁、又被谁补充
- 被它取代的：早期那些规模过小的多器官 CT 数据集（如 VISCERAL Anatomy3 的 20 例）已基本退出方法对比的视野，原因正是 CT-ORG 在"规模够用 + 许可开放 + 类别清晰"上全面占优；
- 与它互补的：更大的数据集（AMOS22、abdomenct-1k）承担"大规模预训练"任务，CT-ORG 承担"标准化对照"任务，两者角色不同、并行存在；专门任务数据集（LiTS 的肝瘤、KiTS 的肾肿瘤）承担"病灶级精细分割"，CT-ORG 只做器官级，互不替代。
- 被它启发的：CT-ORG 之后出现的一批"弱监督/半自动标注 + 公开托管"数据集，在方法学上与它一脉相承——这是它对生态最深的影响。
§6 获取与许可：怎么拿到手，能怎么用
6.1 官方获取路径
CT-ORG 的唯一官方入口是 The Cancer Imaging Archive（TCIA）的 collection 页面：
- 地址：
https://www.cancerimagingarchive.net/collection/ct-org/ - 数据 DOI：10.7937/tcia.2019.tt7f4v7o（Data Citation Required，引用时必须带上）
- 下载形态：16.9 GB 的 faspex 包，需要安装 IBM Aspera Connect 插件才能高速传输（这是 TCIA 大体积 collection 的通用做法，不是 CT-ORG 特有）
使用提示：Aspera 插件在部分受限网络/沙箱环境里无法安装。本项目在沙箱内未实测完整下载，条目所载规模与许可均以 TCIA/论文公开信息为准（见 §9 存照）。
6.2 许可与引用
- License：CC BY 3.0——TCIA 页面明确标注 images 与 data description 均为 CC BY 3.0。这意味着可自由使用、再分发、商用，只需署名；
- 强制数据引用（Data Citation Required）：
Rister, B., Shivakumar, K., Nobashi, T., & Rubin, D. L. (2019). CT-ORG: A Dataset of CT Volumes With Multiple Organ Segmentations (Version 1) [dataset]. The Cancer Imaging Archive. DOI: 10.7937/tcia.2019.tt7f4v7o
- 论文引用：
Rister B, Yi D, Shivakumar K, Nobashi T, Rubin DL. CT-ORG, a new dataset for multiple organ segmentation in computed tomography. Scientific Data. 2020;7:381. doi:10.1038/s41597-020-00715-8
- 使用政策：遵循 TCIA Data Usage Policy and Restrictions——TCIA 的通行原则是不得试图重新识别受试者（no re-identification），这一条优先于 CC BY 的宽松授权。
6.3 镜像与再分发（务必看清许可差异）
HuggingFace 上存在多个第三方再分发：
MedOtter/ct-orgAngelou0516/ct-org
它们均标 CC-BY-4.0，与 TCIA 官方的 CC BY 3.0 不一致。这是典型的"同一数据、两套许可标注"。本条目以 TCIA 官方 3.0 为准，并在此显式提示差异——使用镜像前请自行确认其标注的授权是否可靠，涉及商用时应回溯官方条款。
镜像价值：对下不动 Aspera 的使用者，HF 镜像（经 hf-mirror.com 可达）提供了一条替代路径，但镜像的完整性、版本一致性与许可可信度均无官方背书，属"方便但不保真"的选项。
6.4 源码与工具
- 官方源码：
https://github.com/bbrister/ctOrganSegmentation——MATLAB 形态学分割脚本（findLungsCT.m、findBonesCT.m、findMediastinum.m等），依赖aimutil子模块，仓库自带 LICENSE； - 用途：想自己复现弱监督标签（肺/骨的形态学自动分割）的人，这是唯一的参考实现。
6.5 三条获取路径的取舍
综合来看，拿到 CT-ORG 有三条路，各有代价：
| 路径 | 优点 | 代价 | 适用 |
|---|---|---|---|
| TCIA 官方 + Aspera | 版本权威、许可准确、完整 16.9 GB | 需装插件、受限网络可能失败 | 正式研究、发表、商用 |
| HuggingFace 镜像 | 无需特殊插件、可达性好 | 许可被改标 4.0、完整性无背书 | 快速试跑、原型验证 |
| 官方 GitHub 源码 | 可复现弱监督标签逻辑 | 只有形态学部分，无完整数据 | 方法学复现、造伪标签研究 |
建议：正式工作一定走 TCIA 官方；镜像只用于"先跑通再决定要不要下全量"的探索阶段。任何发表的成果，数据描述都应指向 TCIA 的 DOI 与 3.0 许可。
6.6 AI-Ready 视角下的可获取性
从本数据集"AI-Ready"评估的角度看，CT-ORG 的可获取性得分为 ★★★★☆（附录 A）：扣掉的这一星，几乎全在 Aspera 门槛上。这不是 CT-ORG 独有的问题，而是 TCIA 托管大 collection 的统一做法——TCIA 出于传输效率与稳定性考虑，对 GB 级数据一律走 faspex。对自动化管线（如 CI 里跑数据准备）而言，这构成实质障碍：无法用一条 wget 或 curl 拿到数据，必须人工介入插件安装与凭证。这一点在选型时应提前纳入工程评估。
§7 生态定位：它在 CT 影像数据集版图里的坐标
7.1 上游：LiTS 的"衍生体"
CT-ORG 与 LiTS Challenge（Liver Tumor Segmentation, arXiv 1901.04056） 血缘很近：
- 约 130/140 例的肝标注直接沿用 LiTS，其余为 CT-ORG 自补；
- 部分原始影像也来自 LiTS 的采集网络。
因此 CT-ORG 可视为 “LiTS 的肝 + 自补的多器官扩展”——它在 LiTS 的单一肝/肝瘤任务之上，把标注扩到了肺、骨、肾、膀胱、脑。库内对应上游条目为 lits（rid 81）。
7.2 同代对手：论文 Table 里点名过的数据集
论文在动机部分把 CT-ORG 与几个同类做了对照，勾勒出它诞生时的竞争格局：
| 数据集 | 规模 | CT-ORG 的差异点 |
|---|---|---|
| VISCERAL Anatomy3 | 20 例 | 规模太小，难撑深网训练 |
| Gibson et al. | 90 例 | 仅腹部裁剪，非全身多器官 |
| SLIVER07 | 肝单器官 | 任务单一 |
| Pancreas-CT | 胰腺单/少器官 | 类别少 |
| LiTS | 肝+肝瘤 | 单器官任务，CT-ORG 的上游 |
CT-ORG 的差异化就一句：在中等规模（140 例）上做多器官（6 类）、保留全身视野、且用弱监督降标注成本。
7.3 库内同位：CT 多器官/腹部 CT 分割家族
在本数据集库内，与 CT-ORG 同处"CT 器官分割"生态位的条目包括：
totalsegmentator（rid 422）——CT-ORG 上最常被引的强 baseline，同 CT 多器官分割；btcv（rid 377，Beyond the Cranial Vault）——同多器官腹部 CT 分割，常与 CT-ORG 并列对照；abdomenct-1k（rid 402）——名字即"腹部 CT 千例"，同族；word（rid 412，WORD）——16 器官腹部 CT，论文中亦作为同类提及；sliver07（rid 347）、nih-pancreas-ct（rid 367）——论文直接对比过的肝/胰腺挑战赛；hecktor（rid 461）、segthor（rid 439）——CT 器官/结构分割挑战赛，同评测文化；flare（rid 387）、luna16（rid 237）、lndb（rid 758）、mdv（rid 515）、kits23（rid 698）——CT 分割/检测姊妹条目。
互链建议（详见 §9）：与 lits 是"直接上游"、与 totalsegmentator 是"基准与被基准"、与 btcv/abdomenct-1k/word 是"同族并列"，这四组链接优先级最高。
7.4 商业化与工具位
- MONAI——医学影像 AI 框架，CT-ORG 是其示例任务的常见数据底板之一；
- 3D Slicer / ITK-SNAP——可视化与标注工具，后者是 CT-ORG 标注的原始工具；
- 由于 CC BY 3.0 允许商用，CT-ORG 不具备"商业独占"门槛，任何厂商都可基于它训练并商品化模型，只需署名 + 遵守 TCIA 不重识别条款。
7.5 时间维度：五年后它还在被用
从 2020 年发表到 2026 年，CT-ORG 的引用曲线（Google Scholar 逐年 2021:20 / 2022:40 / 2023:59 / 2024:69 …）显示它没有随新数据集的涌现而退场，反而在 2023-2024 年达到引用高峰。这一现象值得解释：
- 新的大规模数据集（如 AMOS22、abdomenct-1k）抢走的是"预训练/大规模训练"场景，而 CT-ORG 守住的是"标准对照台"这一细分定位——它规模适中、类别定义清晰、与 LiTS 同源、有确定的官方划分，最适合"方法 A vs 方法 B"的公平比较；
- 弱监督范式随标注成本焦虑升温而增值。当学界讨论"如何用更少标注做更多事"时，CT-ORG 就成了一个可引用的先例；
- 格式与许可的长期友好度。NIfTI 与 CC BY 3.0 这两条在五年后仍不需妥协，使其比那些需要申请、格式私有的数据集更易被持续复用。
这给检索者的启示是：CT-ORG 的定位不是"最新最大"，而是"最稳的标准尺"——在需要可复现、可比较的评测时，它仍是首选之一。
§8 方法学：弱监督与形态学标注这套范式
CT-ORG 的真正方法学贡献，不在"又多了一个数据集"，而在它示范了一条低成本造数据集的路。
8.1 弱监督的核心思想
传统数据集=全部人工标注，成本随类别数×例数线性膨胀。CT-ORG 的破局点：
- 能自动的自动：肺、骨的边界在 CT 上对比度高、形状规则，形态学算法（3D 傅里叶变换加速）能稳定分割，训练集就用它自动生成标签，省掉大部分人工；
- 难自动的人工：肝、肾、膀胱、脑形状变异大、边界模糊，训练与测试集均人工标注；
- 人工只做精修：即便在自动标注的分支上，人工也只承担"清理/复核"角色（ITK-SNAP + active contour 起步）。
这就是"weak supervision（弱监督）"在 CT-ORG 语境里的具体含义：训练标签不全来自金标准，而来自一个可信的自动过程。
8.2 弱监督的边界与代价
弱监督不是免费的午餐，CT-ORG 的实践揭示了两条边界：
- 伪标签质量决定上限。论文发现"NN 全面超越其训练所用的形态学算法"——这恰恰说明形态学标签不够完美，模型是被"逼着"在噪声标签上overfit出比老师更好的结果；一旦形态学算法在某器官系统性出错（如骨），错误会被继承；
- 可自动化的器官才配弱监督。膀胱这种形态学搞不定的器官，只能纯人工——弱监督的适用范围被器官特性框死，不是普适加速器。
第三条更隐蔽的代价是训练-测试标签口径不一致：训练集肺/骨来自形态学算法、测试集肺/骨来自人工，两者本身就不是同一"老师"标出来的。论文用测试集 21 例做评测时，测的其实是"在机器标签上训练的模型，能否在人工标签上达标"——这既是对弱监督效果的检验，也意味着训练集上的验证指标不能直接外推到测试集。复现者若在训练集内部随机切验证集，得到的数字会系统性地"太好"，因为它没有跨过这道口径裂缝。
8.3 质检链条：标注怎么保真
CT-ORG 的质量控制设计值得单独记录：
- 人工标注由一名有数年 CT 标注经验的研究生执行或监督；
- 21 例测试集由经验丰富的 board-certified 放射科医师复核；
- 其中 9/21 例被放射科医师细化到更高精度——医师评价原标注质量已高，后续修正"轻微"；
- 这套"研究生初标 → 放射科医师复核 → 必要时细化"的两级流程，是中小规模医学数据集可复用的质控模板。
值得单独强调的是测试集才做专家复核这一设计取向：CT-ORG 把最贵的专家资源集中投在 21 例测试集上（而非平摊到 140 例），换来的是一个相对可信的评测台。这与很多数据集"全量标注但无专家终审"的做法形成对比——CT-ORG 选择的是"训练集容忍一定噪声、测试集尽量干净"的策略，正好与它弱监督的训练哲学配套：噪声留在训练侧，干净留给评测侧。
8.4 工具链与复现
原始 CT（多中心 PACS）
│
├─► 肺/骨：形态学算法（3D FFT 加速，MATLAB）
│ └─► 自动标签（训练集）
│
├─► 肝/肾/膀胱/脑：ITK-SNAP（active contour 起手 + 人工清理）
│ └─► 人工标签（训练集 + 测试集）
│
└─► 肝：约 130/140 例沿用 LiTS 现成标注
│
▼
NIfTI-1 (.nii.gz) 原生空间输出
│
┌──────────────┴──────────────┐
▼ ▼
训练集 119 例 测试集 21 例
(混合弱监督+人工) (人工 + 放射科医师复核，其中 9 例细化)
复现要点：源码仅覆盖肺/骨/纵隔的形态学脚本，其余人工标签无法通过脚本复现；因此 CT-ORG 的完整重建依赖 TCIA 交付的现成 NIfTI，而非从零跑通流水线。这一点常被误解，务必澄清。
§9 库内关系与互链点
本节给出 CT-ORG 在本数据集库内的确切坐标，rid 均于 2026-10-03 经数据库 url_name 反查确认。
9.1 上游依赖
| 条目 | rid | 关系 |
|---|---|---|
lits |
81 | 直接上游——CT-ORG 约 130/140 例肝标注与部分影像沿用 LiTS |
9.2 同位基准与同族
| 条目 | rid | 关系 |
|---|---|---|
totalsegmentator |
422 | 基准关系——CT-ORG 上最常见的开箱即用强基线 |
btcv |
377 | 同族——同多器官腹部 CT 分割 |
abdomenct-1k |
402 | 同族——腹部 CT 多器官分割 |
word |
412 | 同族——16 器官腹部 CT（论文亦提及） |
sliver07 |
347 | 论文对比对象——肝分割挑战赛 |
nih-pancreas-ct |
367 | 论文对比对象——Pancreas-CT |
9.3 CT 分割/检测姊妹条目
| 条目 | rid | 关系 |
|---|---|---|
flare |
387 | CT 多器官分割姊妹 |
hecktor |
461 | CT 器官/结构分割挑战赛 |
segthor |
439 | CT 器官分割挑战赛 |
luna16 |
237 | CT 肺结节检测姊妹 |
lndb |
758 | CT 肺结节姊妹 |
mdv |
515 | CT 分割家族 |
kits23 |
698 | CT 肾脏分割家族 |
9.4 互链优先级建议
lits（rid 81）——最高优先。它是 CT-ORG 的"父条目"，读者理解 CT-ORG 必须先理解 LiTS 的肝标注谱系；totalsegmentator（rid 422）——第二优先。两者互为"数据 ↔ 模型"关系，构成 CT 多器官分割的经典闭环；btcv/abdomenct-1k/word——第三优先。三者为同族并列，读者可横向比较不同多器官 CT 数据集的器官集合与规模；sliver07/nih-pancreas-ct——第四优先。作为论文原文点名对比的历史条目，有文献互证价值。
§10 避坑指南：用 CT-ORG 前必须知道的八件事
这一节把散落在全文的陷阱集中编号，每一条都指向"不提前知道就会踩"的具体后果。使用 CT-ORG 的人，请逐条核对。
坑 1：规模有两个口径——140 还是 130，引用错就露怯
现象：CT-ORG 定稿是 140 例（119 训练 + 21 测试）；但方法论文 arXiv 1811.11226（2018）写的是 130 例。
原因：1811.11226 是 CT-ORG 的早期版本，定稿时扩充了受试者、补齐了肝标注，才到 140。两个数字都对，只是属于不同版本。
后果：写论文时把 130 当数据集规模引用，或反过来把 140 归给 2018 方法论文，都会被视为没读透来源。
对策：引用 CT-ORG 数据集，一律用 140 例（配 Scientific Data 2020 论文 + TCIA 版本）；只有在专门讨论那篇 2018 方法论文时才用 130。
坑 2：器官数"5"与"6"并存——脑是"半标注"
现象：TCIA 摘要写 “each with five organs labeled in 3D”（肺/骨/肝/肾/膀胱）；论文摘要写 “six organ classes”（多一个 brain）。
原因：脑仅少数扫描标注，是"部分标注"而非"全量标注"。
后果：按"6 类全标注"设计训练任务，会发现脑标签大量缺失，导致模型学不好甚至报错；按"5 类"又漏掉了脑这一可用的额外监督。
对策：理解为 5 类全标注 + 1 类部分标注 = 6 类。涉及脑的任务必须先按标签存在性过滤样本，别当它是全量类别。
坑 3：左右翻转伪影——肾尤其受影响
现象：TCIA 页面明确提示 “several volumes appear to be left-right flipped relative to others”。
原因：多中心采集时的体位/重建方向差异，未统一。
后果：单侧器官（尤其肾）的左右一致性被破坏；模型可能学到"位置先是左肾还是右肾"的伪相关；做左右分侧的指标会系统性失真。
对策：做左右无关的器官级分割（肾脏当一类）时影响小；若要分左右或做配准，必须先做方向一致性校正（可借助骨/肺的解剖参考对齐）。
坑 4：License 两套——TCIA 3.0 vs 镜像 4.0
现象：TCIA 官方标 CC BY 3.0；HuggingFace 的 MedOtter/ct-org、Angelou0516/ct-org 镜像标 CC-BY-4.0。
原因：第三方再分发时自行改标，无官方背书。
后果：商用/发表时若引用了镜像的 4.0 声明，可能与上游授权不符，埋下法律歧义。
对策：以 TCIA 官方 CC BY 3.0 为准；用镜像只是图方便，许可描述须回溯官方。
坑 5：下载要 Aspera——不是 Web 直链
现象：TCIA 的 CT-ORG 是 16.9 GB 的 faspex 包，下载需 IBM Aspera Connect 插件。
原因：TCIA 大 collection 的统一投递方式。
后果：受限网络（如某些沙箱、企业防火墙）装不上插件，Web 端只能拿到很小一部分。
对策：优先在能装 Aspera 的机器下载；否则评估 HuggingFace 镜像（见坑 4，注意许可与完整性风险）。
坑 6：肝病灶体积数字存疑——别照抄 349 mm³
现象：论文原文 “volume of lesions varies from 38 mm³ to 349 mm³”。
原因：38 与 349 同在 mm³ 量级，跨度可疑，疑似笔误（可能本意是 mm³ 与 cm³ 混排，或数值替换）。
后果：直接照抄这个数字写进综述，可能传播一个存疑数据。
对策：引用时标注存疑；如需精确病灶体积，回原始数据自行统计，不依赖论文这一句。
坑 7：9 例 PET-CT 是低剂量衰减校正 CT——泛化测试的甜蜜陷阱
现象：9 例 PET-CT 全部来自 Stanford Healthcare。官方摘要只说它们是"CT component taken from PET-CT"；而 MDPI 论文（2022）进一步指出这 9 例是 low-dose, nondiagnostic attenuation correction CT，且 5/9 例患者手臂置于体侧产生条纹伪影。
原因：PET-CT 的 CT 分量本就是为衰减校正而拍，剂量低、诊断质量差，与 dedicated CT 不同质。
后果：把这 9 例当"正常 CT"混入训练/测试，会引入域差异；反过来，若特意用它们做跨域泛化测试，手臂条纹伪影又会让结果偏低，需单独解释。
对策：训练时清楚这 9 例的特殊性；报泛化结果时单列这 9 例并说明其成像条件（低剂量、可能有手臂伪影）。
坑 8：源码只覆盖形态学——别指望脚本重建完整数据集
现象：官方仓库 bbrister/ctOrganSegmentation 提供的是肺/骨/纵隔的 MATLAB 形态学脚本。
原因：肝/肾/膀胱/脑是人工标注，无自动脚本；肝还有约 130/140 例来自 LiTS 现成标注。
后果：误以为"克隆仓库就能从原始影像重建 CT-ORG"，会发现根本跑不出人工标注那部分。
对策：把仓库定位为"弱监督标签的参考实现"，完整数据只能从 TCIA 获取现成 NIfTI；两者用途不同，不可互相替代。
§11 总结
11.1 一句话概括
CT-ORG 是斯坦福团队于 2020 年发布的、托管于 TCIA 的多器官 3D CT 分割数据集：140 例全身/腹部 CT、6 类器官（5 类全标注 + 脑部分标注）、CC BY 3.0 开放授权、NIfTI-1 原生格式，并以"形态学弱监督 + 人工精修"的半自动流水线著称。
11.2 它为什么值得收录
- 血统清晰：与 LiTS 同源，肝标注有据可溯，学术可验证性强；
- 格式友好：NIfTI-1 + 原生空间 + HU 单位，是医学影像 AI 生态的"通用货币"，接入成本极低；
- 授权宽松：CC BY 3.0 允许商用，只需署名，是产业界可直接使用的少数高质量多器官 CT 数据之一；
- 方法学有料：弱监督范式 + 两级质控流程，为"低成本造标注"提供了可复用的模板；
- 评测台成熟：nnU-Net、TotalSegmentator、TransUNet、Swin-UMamba、FS-Mamba 等方法已在其上形成稳定的横向基准，难度序（肺<肝<肾<骨<膀胱）五年不变。
11.3 它不适合做什么
- 不适合纯脑分割研究——脑仅部分标注，覆盖不足；
- 不适合需要精确肝病灶级标注的任务——CT-ORG 提供的是器官级标注，肝瘤交由 LiTS 本身；
- 不适合对左右一致性敏感的任务——左右翻转伪影未校正；
- 不适合当作"最大规模"CT 数据集引用——它走的是"中等规模、类别精炼"路线，规模上有更大的
abdomenct-1k等。
11.4 选型建议
若你的任务是 CT 腹部/全身多器官分割的基线验证或方法对比，CT-ORG 是首选之一，配 nnU-Net 或 TotalSegmentator 起步最稳；若任务涉及单侧器官、精确病灶、全脑，则应转向更专门的条目（如 lits、btcv），并把 CT-ORG 作为辅助对照而非主数据。
11.5 30 秒决策卡
- 要标准对照台？ → 用 CT-ORG，官方 119/21 划分 + 逐器官报 Dice。
- 要开箱基线？ → 先用 TotalSegmentator（92.26%）卡下限，再训自己的模型。
- 要可商用？ → 可用（CC BY 3.0），署名 + 不重识别。
- 要单侧器官/肝瘤/全脑？ → 换数据集，CT-ORG 不擅长。
- 要弱监督方法学？ → CT-ORG 是首选案例，源码可参考形态学伪标签。
- 要大规模预训练？ → 考虑 AMOS22 / abdomenct-1k，CT-ORG 作评测补充。
11.6 维护触发点
本条目后续可能更新的地方（按优先级）：
- TCIA 版本变动——若发布 Version 2 或修改许可，§6 与 frontmatter 的 license 字段需整体复核；
- HuggingFace 镜像许可修正——若镜像改回 3.0 或官方发布官方镜像，坑 4 的表述需更新；
- 下游 SOTA 刷新——若有方法平均 Dice 超过 FS-Mamba 的 92.81%，§5 基准表需补录；
- 新方法谱系出现——如 CT-ORG 被用于全新的任务范式（生成、自监督预训练），§7 生态定位需扩写。
附录 A：DAIMS 评估表
| 维度 | 评分 | 依据 |
|---|---|---|
| D 可发现性（Discoverability） | ★★★★★ | TCIA 官方 collection、独立数据 DOI（10.7937/tcia.2019.tt7f4v7o）、论文发表于 Scientific Data、HuggingFace 多镜像、Google Scholar 累计约 222 次引用 |
| A 可获取性（Accessibility） | ★★★★☆ | 官方入口公开、CC BY 3.0 无需申请；扣一星因下载需 Aspera 插件、16.9 GB 体积、无 Web 直链 |
| I 可互操作性（Interoperability） | ★★★★★ | NIfTI-1 通用格式、HU 单位、原生空间无注册变换、可直接接入 MONAI/nnU-Net |
| M 元数据质量（Metadata Quality） | ★★★★☆ | 论文 + TCIA 页 + 源码仓库三级文档齐全；扣一星因存在 140/130、5/6、3.0/4.0 等多处双口径需辨 |
| S 可持续性（Sustainability） | ★★★★★ | TCIA（NCI 资助）长期托管、Version 1 稳定发布、Stanford 团队与持续引用支撑 |
综合：4.6 / 5.0——高可用、高可信，唯下载门槛与口径歧义是主要减分项。
附录 B：证据链自证
本条目所有硬数字均可回溯到以下一手来源（抓取时点 2026-10-03）：
| 事实 | 来源 | 定位方式 |
|---|---|---|
| 140 例 / 6 类 / 119+21 划分 | Rister et al., Scientific Data 2020;7:381 | PMC7658204（E-utilities efetch） |
| 16.9 GB / CC BY 3.0 / 数据 DOI | TCIA collection 页 | cancerimagingarchive.net/collection/ct-org/ |
| Table 3 Dice 全表 | 论文正文 Table 3 | PDF 页 |
| 摘要 Dice 78–96%、4.3 秒/例 | 论文摘要 | PMC7658204 |
| nnU-Net v2 0.951 及逐器官 | 第三方论文（2025） | 公开论文 |
| TotalSegmentator 92.26%±1.49% | 第三方论文 | 公开论文 |
| FS-Mamba 92.81%±1.27% | JACMP 2025 | 公开论文 |
| 130 例（早期版本） | arXiv 1811.11226 | arXiv 摘要 |
| 源码脚本清单 | GitHub bbrister/ctOrganSegmentation | 仓库 README |
| 镜像许可 CC-BY-4.0 | HuggingFace MedOtter/Angelou0516 | hf-mirror.com |
| 库内互链 rid | 本库数据库 | url_name 反查，2026-10-03 |
附录 C：关键术语速查
- CT-ORG：CT volumes with multiple ORGan segmentations，多器官 CT 分割数据集；
- NIfTI-1：Neuroimaging Informatics Technology Initiative，
.nii.gz医学影像标准格式； - HU（Hounsfield Unit）：CT 值单位，水为 0、空气约 -1000、骨 > 400；
- Dice / IoU / HD95：分割重叠度 / 交并比 / 95 分位 Hausdorff 距离；
- 弱监督（weak supervision）：用非完美自动标签训练模型的方法；
- LiTS：Liver Tumor Segmentation Challenge，CT-ORG 的上游肝标注来源；
- TCIA：The Cancer Imaging Archive，美国 NCI 资助的公开医学影像档案库；
- ITK-SNAP：开源医学影像分割/可视化工具，CT-ORG 的原始标注工具。
FAQ（高频问答 44 问）
A. 基础认知
Q1：CT-ORG 是挑战赛吗？
不是。它是斯坦福团队整理发布、配套 Scientific Data 2020 年论文的静态数据集，没有排行榜、没有提交窗口、没有官方比赛。它与挑战赛的关系是"血缘"——派生自 LiTS 挑战赛的肝数据，并与 MSD、Pancreas-CT 共享影像谱系，但本身是数据集而非赛事。
Q2：名字里的 ORG 指什么？
ORGan = 器官。CT-ORG = CT volumes with multiple ORGan segmentations，即"带多器官分割的 CT 卷"。检索时也会遇到 ctOrganSegmentation（官方 GitHub 仓库名）等别名。
Q3：谁做的、发表在哪儿？
斯坦福大学团队。一作 Blaine Rister，通讯作者 Daniel L. Rubin（斯坦福放射学与生物医学数据科学教授）。论文发表于 Scientific Data 2020;7:381，doi:10.1038/s41597-020-00715-8，PMC 收录号 PMC7658204，开放获取。
Q4：最大的卖点一句话？
用弱监督形态学 + 人工精修的半自动流水线，以 140 例的中等规模做出 6 类器官标注，证明"少量人工标注 + 可靠自动化"足以训出临床可用的多器官分割网络（平均 Dice 约 90%）。
Q5："140 例"和"130 例"哪个对？
都对，属不同版本。CT-ORG 定稿是 140 例（119 训练 + 21 测试）；方法论文 arXiv 1811.11226（2018）写的是 130 例，是最早的版本，定稿时扩充了受试者并补齐肝标注。引用 CT-ORG 数据集一律用 140，只有讨论那篇 2018 方法论文时才用 130（坑 1）。
Q6：到底标了几个器官？
论文写 6 类（肝/肺/膀胱/肾/骨/脑）；TCIA 摘要写 five organs（肺/骨/肝/肾/膀胱）。准确说法是 5 类全标注 + 1 类（脑）部分标注 = 6 类体系（坑 2）。
Q7：它和 LiTS 什么关系？
直接上游。约 130/140 例肝标注直接沿用 LiTS，影像来源也大幅共享，其余为 CT-ORG 自补。可理解为"以 LiTS 的肝为种子，向肺/骨/肾/膀胱/脑扩张"。
Q8：它自己有什么局限？
左右翻转伪影未校正、脑仅部分标注、9 例 PET-CT 为低剂量非诊断影像且带手臂条纹伪影、人口学信息有限（仅披露 62.5% 男性）、下载需 Aspera 插件、机构偏斜——论文与 TCIA 页均有自曝。
Q9：开源吗？许可如何？
数据在 TCIA 公开，许可 CC BY 3.0（可商用、需署名 + 遵守 TCIA 不重识别条款）；形态学源码在 GitHub bbrister/ctOrganSegmentation（MATLAB）。
Q10：为什么值得单独收录一个条目？
因为它是 CT 多器官分割的事实基准之一：血统清晰（LiTS 同源）、格式通用（NIfTI）、授权宽松（CC BY 3.0）、方法学有料（弱监督范式）、评测台成熟（nnU-Net/TotalSegmentator 等公共基准齐全）。
B. 数据与获取
Q11：140 例怎么来的、来源机构有哪些？
影像来自多家临床站点，论文 Data Records 列出：慕尼黑大学（LMU）、奈梅亨 Radboud UMC、蒙特利尔 Polytechnique & CHUM、特拉维夫大学、示巴医学中心、斯特拉斯堡 IRCAD、耶路撒冷希伯来大学；9 例 PET-CT 全部来自 Stanford Healthcare。
Q12：影像是什么格式？
NIfTI-1（.nii.gz），32-bit 浮点，存储 Hounsfield 单位（HU）的完整 3D CT 体数据；标注在患者原生空间，无配准变换。dedicated CT 轴位分辨率 0.56–1.0 mm。
Q13：一个 case 有几对文件？
volume-x.nii.gz + label-x.nii.gz 配对，x 为 0–139。TCIA 描述为 280 series / 280 images，即 140 体积 + 140 标签。下载包总 16.9 GB。
Q14：怎么下载？
官方入口是 TCIA collection 页 cancerimagingarchive.net/collection/ct-org/，需安装 IBM Aspera Connect 插件传输 16.9 GB 的 faspex 包。没有 Web 直链（坑 5）。
Q15：装不上 Aspera 怎么办？
可评估 HuggingFace 第三方镜像（MedOtter/ct-org、Angelou0516/ct-org），经 hf-mirror.com 可达。但镜像许可被改标为 CC-BY-4.0、完整性无官方背书，商用前须回溯官方条款（坑 4）。
Q16：数据引用怎么写？
Rister, B., Shivakumar, K., Nobashi, T., & Rubin, D. L. (2019). CT-ORG: A Dataset of CT Volumes With Multiple Organ Segmentations (Version 1) [dataset]. The Cancer Imaging Archive. DOI: 10.7937/tcia.2019.tt7f4v7o
TCIA 标注 “Data Citation Required”，引用数据必须带上。
Q17：训练集和测试集怎么划分？
119 例训练 / 21 例测试，官方固定划分。自己做实验时务必沿用这个划分，否则与论文及后续基准不可比（§4.6）。
Q18：脑标注缺失怎么办？
脑仅少数扫描有标注。做涉及脑的任务，先按标签存在性过滤样本，不要把脑当全量类别；若只做五器官，忽略脑标签即可（坑 2）。
C. 标注与质量
Q19：训练集和测试集标注方式一样吗？
不一样，这是 CT-ORG 的关键设计。肺/骨：训练集用无监督形态学算法自动分割，测试集才人工分割。肝/肾/膀胱/脑：训练与测试均人工标注。人工工具为 ITK-SNAP。
Q20：什么叫这里的"弱监督"？
指训练标签不全来自金标准，而来自一个可信的自动过程——肺/骨的形态学自动分割。它的前提是这些器官形态规则、CT 对比度高、算法能稳定分割；不适用于膀胱这类形态学搞不定的器官（§8.2）。
Q21：测试集质量怎么保证？
21 例测试集由经验丰富的 board-certified 放射科医师复核，其中 9/21 例被细化到更高精度；医师评价原标注质量已高、后续修正"轻微"。
Q22：人工标注是谁做的？
由一名有数年 CT 标注经验的研究生执行或监督，采用 ITK-SNAP 的 active contour 起手 + 人工清理。
Q23：肝标注是哪来的？
约 130/140 例直接沿用 LiTS Challenge 的现成肝标注，其余缺失者由 CT-ORG 自补。
Q24：数据有什么已知伪影？
左右翻转（left-right flipped）——TCIA 明确提示 “several volumes appear to be left-right flipped relative to others”，破坏单侧器官（尤其肾）的左右一致性（坑 3）。
Q25：9 例 PET-CT 有什么特别？
它们全部来自 Stanford Healthcare，是 PET-CT 的 CT 分量。官方摘要只说"CT component from PET-CT"；MDPI 论文（2022）进一步指出它们是 low-dose, nondiagnostic attenuation correction CT，且 5/9 例患者手臂置于体侧产生条纹伪影——用作泛化测试时须单独说明（坑 7）。
D. 评估与基准
Q26：论文报告的精度是多少？
摘要口径 per-organ Dice 78–96%，平均 90%，单例推理 4.3 秒（3 mm³、4 GPU）。Table 3 更细：加增强后 Lung 95.5±4.5 / Liver 95.2±2.5 / Kidney 91.8±4.0 / Bone 85.8±6.2 / Bladder 77.7±17.8。
Q27：形态学算法和深度网络谁更好？
DNN 全面胜出——肺指标全胜，骨除 Dice 外全胜。这恰恰说明形态学标签"不够完美"，模型在噪声标签上反而学出了超过老师的结果（§8.2）。
Q28：哪个器官最难分？
膀胱。即使加增强也只有 77.7 ± 17.8，方差极大，是 CT-ORG 上公认的 hard case。下游 nnU-Net v2 的膀胱 Dice 也最低（0.865），五年未变。
Q29：哪个器官最容易？
肺。论文 Table 3 加增强 95.5，下游 nnU-Net v2 达 0.975——所有方法上肺都是最高分。
Q30：下游方法在 CT-ORG 上考多少分？
FS-Mamba 92.81%±1.27%（HD95 10.74%）是目前最高平均 Dice；TotalSegmentator 92.26%±1.49%；Swin-UMamba 91.64%；TransUNet 91.39%；nnUNet31 91.06%；UNet 86.98%；nnU-Net v2 fold4 0.951（测试集 lungs 0.975 / liver 0.949 / kidneys 0.911 / skeletal 0.899 / bladder 0.865）。均为第三方口径，非论文官方。
Q31：常用评测指标有哪些？
Dice、IoU（Jaccard）、（平均对称）表面距离、Hausdorff / HD95。论文用 Dice + 表面距离；近年下游论文标配 Dice + HD95。
Q32：为什么说 CT-ORG 的难度序稳定？
因为论文官方（2020）与下游最强方法（2025）给出的器官难度排序完全一致：肺 < 肝 < 肾 < 骨 < 膀胱。架构换了三代（UNet→nnU-Net→SSM/Transformer），排序不动，说明标注本身一致、模型间可比——这是成熟数据集的特征。
Q33：新方法还能刷多高？
空间不大。FS-Mamba、Swin-UMamba 相对 TotalSegmentator 的提升普遍在 1–2 个百分点以内，分数天花板已现。未来增量更可能在鲁棒性、跨中心泛化、少样本，而非单纯刷新 Dice（§5.1）。
E. 方法学与复现
Q34：弱监督这套范式能复制吗？
能，但受器官特性约束。“能自动化的才配弱监督”——形态规则、对比度高的器官（肺/骨）适用，形状变异大的器官（膀胱）只能人工（§8.2）。
Q35：官方源码能重建整个数据集吗？
不能。仓库只提供肺/骨/纵隔的 MATLAB 形态学脚本；肝/肾/膀胱/脑是人工标注，无脚本；肝还有约 130/140 例来自 LiTS 现成标注。完整数据只能从 TCIA 获取现成 NIfTI（坑 8）。
Q36：那源码还有什么用？
它是弱监督标签的参考实现——想自己复现"形态学自动分割肺/骨"的人，只有这一份参考。用途是"造伪标签"，不是"造数据集"。
Q37：复现实验要注意什么？
三条纪律（§4.6）：① 沿用官方 119/21 划分；② 按原生空间评测、勿擅自统一分辨率（会改变小器官边界难度）；③ 单列膀胱（方差极大，只报平均会掩盖 hard case）。
Q38：数据能商用吗？
可以。CC BY 3.0 允许商用，只需署名 + 遵守 TCIA 的 no re-identification（不重识别）条款。这是 CT-ORG 相对许多"仅学术用途"医学数据的显著优势。
Q39：为什么许可有 3.0 和 4.0 两个版本？
TCIA 官方标 CC BY 3.0；HuggingFace 第三方镜像自行改标 CC-BY-4.0，无官方背书。以官方 3.0 为准（坑 4）。
Q40：论文里那个"38 mm³ 到 349 mm³"的肝病灶体积可信吗？
存疑。38 与 349 同在 mm³ 量级，跨度可疑，疑似笔误（可能 mm³/cm³ 混排）。引用时须标注存疑，需要精确值应回原始数据自算（坑 6）。
F. 定位与库内
Q41：CT-ORG 在数据集版图里什么位置？
CT 多器官分割的标准 baseline 之一。不是最大（abdomenct-1k 更大），但血统最清晰、格式最通用、授权最宽松，"肝/肺/肾/骨/膀胱"五件套的默认对照台。
Q42：本条目与库内 lits（rid 81）冲突吗？
不冲突、是上下游。lits 记肝瘤分割挑战赛本体，CT-ORG 记"以 LiTS 肝为种子的多器官扩展"。检索任一条都应提示另一条。
Q43：它和 TotalSegmentator 什么关系？
基准关系。TotalSegmentator 是 CT-ORG 上最常见的"开箱即用强基线"（92.26%±1.49%），新方法常与它对照。库内条目 totalsegmentator（rid 422）与之对应。
Q44：如果只记住一件事？
CT-ORG 的训练集肺/骨是机器标的、测试集才是人标的——这个弱监督设计是理解它所有数字（精度、坑点、方法学）的前提。忘了这一点，就会把 Table 3 的对比读错。
事实清单（硬事实 46 条）
- CT-ORG 全称 CT volumes with multiple ORGan segmentations，为 140 例 CT 的多器官 3D 体素级分割数据集。
- 发布方：斯坦福大学；一作 Blaine Rister，通讯 Daniel L. Rubin。
- 论文：Rister et al., Scientific Data 2020;7:381，doi:10.1038/s41597-020-00715-8，PMC7658204。
- 数据 DOI：10.7937/tcia.2019.tt7f4v7o，标注 “Data Citation Required”。
- 托管平台：The Cancer Imaging Archive（TCIA），美国 NCI 资助。
- 例数：140 例 CT，140 位唯一患者；TCIA 记 280 series / 280 images。
- 文件总量：16.9 GB（TCIA faspex 包）。
- 划分：training 119 例 / testing 21 例。
- 影像构成：131 例 dedicated CT + 9 例 PET-CT 的 CT 分量。
- 器官类别：6 类（liver/lungs/bladder/kidney/bones/brain）。
- 脑仅少数扫描标注；TCIA 摘要写 five organs（5 类全标注 + 1 部分标注 = 6）。
- 格式：NIfTI-1（.nii.gz），32-bit 浮点，Hounsfield 单位。
- 标注在患者原生空间，无配准变换。
- dedicated CT 轴位分辨率 0.56–1.0 mm。
- 文件命名：volume-x.nii.gz / label-x.nii.gz，x = 0–139。
- 任务：多类器官 3D 体素级语义分割（multi-class organ segmentation）。
- 训练集肺/骨 = 无监督形态学算法自动分割（3D 傅里叶变换加速）。
- 测试集肺/骨 = 人工分割。
- 肝/肾/膀胱/脑：训练集与测试集均人工标注。
- 人工标注工具：ITK-SNAP（半自动 active contour 起始 + 人工清理）。
- 21 例测试集由 board-certified 放射科医师复核，9/21 例被细化到更高精度。
- 人工标注者：一名有数年 CT 标注经验的研究生执行或监督。
- 肝标注约 130/140 例沿用 LiTS Challenge；其余 CT-ORG 自补。
- 弱监督（weak supervision）是 CT-ORG 的方法学核心特色。
- License：CC BY 3.0（TCIA images 与 data description 均标 3.0）。
- HuggingFace 镜像（MedOtter/ct-org、Angelou0516/ct-org）改标 CC-BY-4.0，与官方不一致。
- TCIA Version 1，Updated 2020/01/09（Added new subjects），为唯一样本版本。
- 影像来源站点：LMU 慕尼黑、Radboud UMC 奈梅亨、蒙特利尔、特拉维夫大学、示巴医学中心、斯特拉斯堡 IRCAD、耶路撒冷希伯来大学。
- 9 例 PET-CT 全部来自 Stanford Healthcare。
- 资助：NCI 项目号 1U01CA190214 与 1U01CA187947。
- 性别分布：62.5% 男性 / 37.5% 女性（唯一人口学统计）。
- 多数患者年龄不可考；性别外人口学信息缺失。
- 论文 Table 3（测试集 21 例，median checkpoint，Dice mean±std）：Lung 93.8±5.9（无增强）/95.5±4.5（有增强）/93.6±12.5（形态学）。
- Liver：92.0±3.6（无增强）/95.2±2.5（有增强）/n/a（形态学）。
- Bone：82.7±7.6（无增强）/85.8±6.2（有增强）/86.0±6.1（形态学，形态学唯一 Dice 占优项）。
- Kidney：88.2±7.9（无增强）/91.8±4.0（有增强）/n/a。
- Bladder：58.1±22.3（无增强）/77.7±17.8（有增强）/n/a（加增强提升 19.6 个点）。
- 摘要口径：Dice 78–96% per organ，平均 90%；推理 4.3 秒/例（3 mm³、4 GPU）。
- 论文结论：数据足以训 DNN 到临床可用精度；DNN 全面超越其训练所用的形态学算法。
- 下游基准（第三方）：FS-Mamba 92.81%±1.27%（HD95 10.74%）；TotalSegmentator 92.26%±1.49%（HD95 11.62%±2.95%）；Swin-UMamba 91.64%；TransUNet 91.39%；nnUNet31 91.06%；UNet 86.98%。
- nnU-Net v2（Ankara, 2025）：119 训练/21 测试，fold4 val Dice 0.951；测试集 liver 0.949 / lungs 0.975 / kidneys 0.911 / skeletal 0.899 / bladder 0.865。
- 常用指标：Dice、IoU、表面距离、Hausdorff / HD95。
- 方法论文（前作）：arXiv 1811.11226（2018-11-27），构建 130 例标注 CT，是 CT-ORG 的方法基础。
- 论文引用：Google Scholar 累计约 222 次（2026-10-03 口径）。
- 官方源码：https://github.com/bbrister/ctOrganSegmentation（MATLAB 形态学脚本 findLungsCT.m / findBonesCT.m / findMediastinum.m，依赖 aimutil）。
- 库内互链（url_name 反查，2026-10-03）：lits 81 / totalsegmentator 422 / btcv 377 / abdomenct-1k 402 / word 412 / sliver07 347 / nih-pancreas-ct 367 / flare 387 / luna16 237 / lndb 758 / hecktor 461 / segthor 439 / mdv 515 / kits23 698。
术语表（28 条）
| 术语 | 释义 |
|---|---|
| CT-ORG | CT volumes with multiple ORGan segmentations，140 例多器官 CT 分割数据集 |
| CT | Computed Tomography，计算机断层扫描 |
| HU | Hounsfield Unit，CT 值单位；水 0、空气约 -1000、骨 > 400 |
| NIfTI-1 | Neuroimaging Informatics Technology Initiative 影像格式，.nii.gz |
| 体素级分割 | voxel-level segmentation，对 3D 每个体素赋类别标签 |
| 多器官分割 | multi-organ segmentation，一次分割多个器官 |
| Dice | Dice Similarity Coefficient，重叠度主指标，区间 [0,1] |
| IoU | Intersection over Union / Jaccard，与 Dice 单调等价 |
| Hausdorff 距离 | 最坏边界偏差；HD95 取 95 分位以抗离群 |
| 表面距离 | surface distance，衡量预测与金标准边界的平均偏差 |
| 弱监督 | weak supervision，用非完美自动标签训练模型 |
| 形态学算法 | morphological algorithm，基于形状/灰度的经典图像处理方法 |
| 3D 傅里叶变换 | 用于加速形态学分割的频域手段 |
| active contour | 活动轮廓模型，ITK-SNAP 中的半自动分割起手方式 |
| ITK-SNAP | 开源医学影像分割/可视化工具，CT-ORG 的原始标注工具 |
| TCIA | The Cancer Imaging Archive，NCI 资助的公开医学影像档案库 |
| LiTS | Liver Tumor Segmentation Challenge，CT-ORG 的上游肝标注来源 |
| MSD | Medical Segmentation Decathlon，与 CT-ORG 共享部分 LiTS 谱系 |
| Pancreas-CT | 胰腺 CT 数据集，论文对比对象 |
| SLIVER07 | 肝分割挑战赛，论文对比对象 |
| VISCERAL Anatomy3 | 早期多器官 CT 数据集（20 例），论文对比对象 |
| nnU-Net | 自动配置的医学分割强基线，CT-ORG 上事实及格线 |
| TotalSegmentator | 开箱即用的 CT 多器官分割工具，CT-ORG 上强 baseline |
| TransUNet | CNN + Transformer 混合分割网络 |
| Swin-UMamba | Swin + Mamba 结合的医学分割网络 |
| FS-Mamba | CT-ORG 上报最高平均 Dice（92.81%）的 SSM 方法 |
| PET-CT | 正电子发射断层 + CT 融合扫描；其 CT 分量常为低剂量 |
| 衰减校正 CT | attenuation correction CT，为 PET 校正而拍、诊断质量低 |
附录 D：数据集对比总表
| 数据集 | 例数 | 器官数 | 格式 | 许可 | 定位 |
|---|---|---|---|---|---|
| CT-ORG | 140 | 6（5 全 + 1 部分） | NIfTI-1 | CC BY 3.0 | 多器官 CT 标准 baseline |
| LiTS | 131 | 1（肝）+ 肝瘤 | NIfTI | 学术 | CT-ORG 上游 |
| VISCERAL Anatomy3 | 20 | 多 | — | — | 规模过小 |
| Gibson et al. | 90 | 多（腹部裁剪） | — | — | 仅腹部 |
| SLIVER07 | 20 | 1（肝） | — | — | 单器官 |
| Pancreas-CT | 82 | 1（胰） | DICOM/NIfTI | CC BY | 单器官 |
| BTCV | 50 | 13 | NIfTI | 学术 | 同族多器官腹部 |
| WORD | 120 | 16 | NIfTI | CC BY-NC | 多器官腹部 |
| AMOS22 | — | 15 | NIfTI | 学术 | 大规模多器官 |
说明：CT-ORG 的差异化 = 中等规模 + 全身视野 + 6 类器官 + 弱监督 + CC BY 3.0 可商用。
附录 E：CT-ORG 使用决策树
你的任务是什么？
│
├─ CT 多器官分割基线验证 ────────► 用 CT-ORG，配 nnU-Net / TotalSegmentator
│
├─ 单侧器官（肾/左右）研究 ──────► 先做左右翻转校正；或改选无翻转问题的条目
│
├─ 精确肝瘤/病灶分割 ───────────► 用 LiTS 本体（CT-ORG 只有器官级标注）
│
├─ 全脑分割 ──────────────────► 不适用（脑仅部分标注），改用专门脑数据集
│
├─ 大规模纯数据驱动训练 ────────► 考虑 AMOS22 / abdomenct-1k 等更大条目
│
├─ 弱监督/伪标签方法研究 ───────► CT-ORG 首选（形态学伪标签范式可复用）
│
└─ 商用落地 ──────────────────► 可行（CC BY 3.0），署名 + 遵守 TCIA 不重识别
附录 F：复现检查清单（SOP 模板）
- [ ] 从 TCIA 下载官方 Version 1（140 例，16.9 GB，Aspera）
- [ ] 校验 volume-x / label-x 配对完整（x = 0–139）
- [ ] 记录官方划分：119 训练 / 21 测试，切勿重划
- [ ] 检查标签存在性：脑仅部分样本有；按需过滤
- [ ] 评估左右翻转：检查需分侧器官的方向一致性
- [ ] 检查 9 例 PET-CT：低剂量 + 可能手臂条纹伪影，单列
- [ ] 保持原生空间评测，勿擅自统一分辨率
- [ ] 逐器官报告 Dice，单列膀胱（方差大）
- [ ] 报 HD95 等边界指标，与下游基准可比
- [ ] 引用数据 DOI + 论文双引用
附录 G：常见误用清单
| 误用 | 正确做法 |
|---|---|
| 报"130 例"当数据集规模 | 用 140 例（130 是旧版方法论文口径） |
| 当"6 类全标注"设计任务 | 5 全标注 + 1 部分标注，先按存在性过滤 |
| 用镜像的 CC-BY-4.0 描述许可 | 以 TCIA 官方 CC BY 3.0 为准 |
| 重新随机划分 140 例 | 沿用官方 119/21，否则不可比 |
| 只报平均 Dice | 逐器官报告，单列膀胱 |
| 把 9 例 PET-CT 当正常 CT | 单列并说明低剂量/伪影条件 |
| 期待源码重建数据集 | 源码只产形态学标签，数据从 TCIA 取 |
| 照抄 349 mm³ | 该数字存疑，标注后引用或自行统计 |
附录 H：论文与数据速查卡
| 项目 | 内容 |
|---|---|
| 数据集全称 | CT-ORG: CT volumes with multiple organ segmentations |
| 论文全称 | CT-ORG, a new dataset for multiple organ segmentation in computed tomography |
| 期刊 | Scientific Data（Nature Publishing Group） |
| 卷期 | 2020;7:381 |
| 论文 DOI | 10.1038/s41597-020-00715-8 |
| PMC 号 | PMC7658204 |
| 数据 DOI | 10.7937/tcia.2019.tt7f4v7o |
| 托管 | The Cancer Imaging Archive（TCIA） |
| 发布版本 | Version 1（Updated 2020/01/09） |
| 许可 | CC BY 3.0（TCIA 官方） |
| 一作 | Blaine Rister |
| 通讯 | Daniel L. Rubin |
| 单位 | Stanford University |
| 资助 | NCI 1U01CA190214、1U01CA187947 |
| 例数 | 140（119 训练 / 21 测试） |
| 器官 | 6 类（5 全标注 + 脑部分标注） |
| 格式 | NIfTI-1（.nii.gz） |
| 体积 | 16.9 GB |
| 源码 | github.com/bbrister/ctOrganSegmentation |
| 前作 | arXiv 1811.11226（2018，130 例版本） |
附录 I：逐器官深度速览
| 器官 | 英文 | 训练标签来源 | 测试标签来源 | 论文 Dice（有增强） | 下游 nnU-Net v2 | 主要难点 |
|---|---|---|---|---|---|---|
| 肺 | lungs | 形态学自动 | 人工 | 95.5 ± 4.5 | 0.975 | 病变/积液时形态学失效 |
| 肝 | liver | 人工（多沿用 LiTS） | 人工 | 95.2 ± 2.5 | 0.949 | 邻近脏器边界模糊 |
| 肾 | kidney | 人工 | 人工 | 91.8 ± 4.0 | 0.911 | 皮质对比弱、左右翻转 |
| 骨 | bones | 形态学自动 | 人工 | 85.8 ± 6.2 | 0.899 | 结构碎、金属伪影 |
| 膀胱 | bladder | 人工 | 人工 | 77.7 ± 17.8 | 0.865 | 灰度近软组织、形状多变 |
| 脑 | brain | 人工 | 人工 | —（部分标注） | — | 样本稀疏 |
读表要点：论文 Dice 与下游 nnU-Net v2 Dice 的器官排序完全一致（肺 > 肝 > 肾 > 骨 > 膀胱），这是 CT-ORG 标注一致性的最强证据。
附录 J：全文问题索引
| 你的问题 | 去哪一节 |
|---|---|
| CT-ORG 是什么、谁做的 | §0、§1 |
| 有多少例、什么格式、什么器官 | §2 |
| 标注怎么做的、为什么叫弱监督 | §3、§8 |
| 精度多少、下游谁在刷分 | §4、§5 |
| 怎么下载、许可怎么用 | §6 |
| 它在数据集版图里什么位置 | §7 |
| 和库内哪些条目互链 | §9 |
| 有哪些坑 | §10 |
| 该不该用、适合谁 | §11、附录 E |
| 硬事实与术语 | 事实清单、术语表 |
附录 K：检索关键词建议
- 英文：
CT-ORG、CT ORG、ctOrganSegmentation、multi-organ segmentation CT、CT volume organ segmentation dataset、TCIA CT-ORG、weak supervision organ segmentation - 中文：
CT-ORG 数据集、多器官 CT 分割、CT 器官分割数据集、弱监督 器官分割、形态学 伪标签 CT - 同义干扰词（勿混淆）：
LiTS（肝瘤）、MSD（十项全能）、Pancreas-CT（胰腺）、TotalSegmentator（工具/模型，非本数据集）
附录 L：引用格式模板
数据引用（Data Citation Required）：
Rister, B., Shivakumar, K., Nobashi, T., & Rubin, D. L. (2019).
CT-ORG: A Dataset of CT Volumes With Multiple Organ Segmentations (Version 1)
[dataset]. The Cancer Imaging Archive. DOI: 10.7937/tcia.2019.tt7f4v7o
论文引用：
Rister B, Yi D, Shivakumar K, Nobashi T, Rubin DL. CT-ORG, a new dataset for
multiple organ segmentation in computed tomography. Sci Data. 2020;7:381.
doi:10.1038/s41597-020-00715-8
BibTeX：
@article{rister2020ctorg,
title={CT-ORG, a new dataset for multiple organ segmentation in computed tomography},
author={Rister, Blaine and Yi, Darvin and Shivakumar, Kaushik and Nobashi, Tomomi and Rubin, Daniel L},
journal={Scientific Data},
volume={7},
number={1},
pages={381},
year={2020},
publisher={Nature Publishing Group}
}
附录 M：与库内 LiTS（rid 81）的关系声明
CT-ORG 与 LiTS 是上下游而非同一数据：
- 关系：CT-ORG 约 130/140 例的肝标注直接沿用 LiTS，影像来源大幅共享；
- 差异：LiTS 是"肝 + 肝瘤"单器官挑战赛；CT-ORG 在其基础上扩充为 6 类器官的多器官数据集；
- 引用纪律：引用 CT-ORG 的肝数据时，溯源应同时指向 LiTS；不得把两者规模、器官数混用；
- 库内处理：两条目互链，检索任一条应提示另一条（§9.4 优先级第一）。
附录 N：版本与更新记录
| 版本 | 时间 | 内容 |
|---|---|---|
| arXiv 前作 | 2018-11-27 | 方法论文 1811.11226，构建 130 例标注 CT |
| TCIA Version 1 | 2020-01-09 | Added new subjects；定稿 140 例 |
| 论文发表 | 2020-11-11 | Scientific Data 2020;7:381 |
| 本条目建档 | 2026-10-03 | AI-Ready Wikipedia 条目，抓取时点 |
维护提示：TCIA 记录中 CT-ORG 目前仅有 Version 1；若未来发布新版本，需复核规模、许可与划分是否变动。
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：
- pddca — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- headneck-radiomics — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- lctsc — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- spinal-multiple-myeloma-seg — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- calgb50303 — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- biomedparse — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- lidc-annot-nlst501 — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- hecktor — 共享标签：医学图像分割 / 肿瘤学 / 医学影像
- segrap — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
- kits23 — 共享标签：CT / 医学图像分割 / 肿瘤学 / 医学影像
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。
