CT4Harmonization Multicentric Phantom — 多中心 3D 打印 CT 体模基准：跨厂商扫描仪协调与影像组学特征可复现性验证

INFOBOX — CT4Harmonization-Multicentric 一屏速览

维度	内容
本质	体模（phantom）基准数据集——非疾病数据集，用于开发与评测 CT 跨厂商**协调（harmonization）**方法
官方名	CT4Harmonization-Multicentric（描述性全称 “A Multi-Centric Anthropomorphic 3D CT Phantom-Based Benchmark Dataset for Harmonization”）
团队	瑞士 HES-SO Valais-Wallis 信息学研究所 + CHUV；通讯 Adrien Depeursinge；SPHN QA4IQI 项目
硬规模	1,378 序列 / 649 次 CT 扫描 / 13 台扫描仪 / 4 厂商 / 8 中心；252.38 GB
体模	3D 打印 + 碘墨水纸基拟人肝体模；胸部/肝脏/测试图案三腔室；肝脏 6 ROI / 4 类组织
剂量	5 档：1 / 3 / 6 / 10 / 14 mGy
重建	FBP 649 + IR 649 + DL 80 = 1,378 序列
核心任务	图像级稳定性（RMSE/PSNR/SSIM）+ 特征级稳定性（ICC）+ 肝脏 4 类组织分类
关键发现	无协调时图像仍按厂商明显聚类，但组织分类基线仍近满分 → 分类任务太简单；全局相似度指标无法捕捉跨扫描仪差异
影像组学 ICC	Radiomics 0.990±0.121 / Shallow CNN 0.965±0.103 / SwinUNETR 0.917±0.182（10 mGy）
获取	TCIA（需 Data Retriever）｜NCI IDC 亦可｜下载包 V1_20250609
许可	CC BY 4.0（最宽松档，署名即可商用）
论文	arXiv:2507.01539（2025-07-02）；数据描述论文 “under submission, 2025”
库内互链	headneck-radiomics(946)、nsclc-radiomics(247)、ct-org(796)、ct-rate(546)、abdomenct-1k(402)、ct-lesion-foundation-model(963)

CT4Harmonization-Multicentric 是库内一个"反常识"的存在：它足足有 252 GB、1,378 个序列、13 台扫描仪、4 家厂商、8 家瑞士医院参与，却一个患者都没有。它扫描的是一具 3D 打印的、用碘墨水注入纸基做的拟人肝脏体模（phantom）——同一具"假人"，在同一套被称为协调协议（harmonized protocol）的采集参数下，被所有设备反复扫了无数遍。这样做的唯一目的，是把"人"这个最容易变化的变量彻底固定住，让所有观察到的差异都只能归因于机器：扫描仪、厂商、剂量、重建算法。

为什么值得为一件"假体"建一个条目？因为影像组学（radiomics）——从医学图像里提取成百上千个定量特征、用于诊断/预后预测的方法——最大的软肋恰恰是特征不可复现：同一块组织，换一台 CT、换一家医院、换一个重建算法，提取出的纹理特征就可能天差地别。Aerts 2014 那篇把 radiomics 推向主流的泛癌种论文（本库 headneck-radiomics rid 946、nsclc-radiomics rid 247 的源头）所依赖的多中心队列，正是建立在这种跨中心可比性的假设之上。CT4Harmonization 的价值在于：它提供了一个受控的标定物，让研究者能精确量化"扫描仪会带来多大扰动"，并在此基础上开发、对比各种协调（harmonization）方法——把不可控的真实患者异质性，换成可控的机器差异。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——CC BY 4.0 是库内最宽松档，但下载需 TCIA Data Retriever 工具，先看体量（252 GB）再规划。
2. 想搞懂它和疾病数据集的区别：直奔 §0 与 §7——这是全库最典型的一类"非疾病"数据集（见 §9 同域对照）。
3. 要复现基线：直奔 §5 与 §7——图像级三指标 + 特征级 ICC + 组织分类三层评测，配套开源代码仓可直接跑。

§0 导读：这个数据集解决什么问题

0.1 一个 2014 年论文埋下的隐患

2014 年，Aerts 等在 Nature Communications 发表 “Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach”（Nat Commun 5:4006），首次系统性地把"从 CT/PET 图像中提取大量定量特征用于预测肿瘤表型"推广为一种范式，radiomics 由此进入主流。该研究依赖四个公开队列（含头颈 H&N1、肺 Lung1），而这四个队列分别来自不同机构、不同扫描仪——这意味着后续一切"radiomics signature 可迁移"的结论，都必须建立在"跨中心特征可比"这个假设之上。

近十年过去，这个假设被反复证伪。文献里大量研究报告：CT 扫描仪的厂商、型号、采集参数、重建算法会造成域偏移（domain shift），使同一组织的特征值系统性漂移，跨中心池化数据训练出的模型在新中心表现骤降。于是，"数据协调（harmonization）"成为医学影像 AI 的一个独立子领域——目标是在图像层或特征层消除这些非生物学的差异，让不同来源的数据可以安全地池化（pooling）与联邦学习。

0.2 为什么必须用体模

协调方法的研发与评测面临一个根本困境：如果你用真实患者数据来验证协调效果，你无法区分"特征差异来自扫描仪"还是"来自患者本身"。两名患者的肝脏组织形态本来就不同，你永远不知道一个特征值的差异是机器造成的还是人造成的。真实数据的生物异质性会污染对机器效应的估计。

体模（phantom）解决的正是这个问题。用一具固定的、可重复扫描的物理替代物（anthropomorphic phantom，拟人体模），把解剖、生理、疾病三类变异全部冻结，任何观察到的图像/特征差异就只能来自扫描仪与采集设置。这正是 CT4Harmonization-Multicentric 的核心设计哲学——论文原话：使用体模"allows fixing variations attributed to inter- and intra-patient variations"（可固定患者间与患者内的变异）。

0.3 这个数据集做了什么

项目团队先用问卷调研了瑞士 9 家中心的 21 台 CT 扫描仪的真实临床胸腹 CT 协议（用于肿瘤分期、肿瘤搜寻、门静脉期感染灶检测），据此推导出一套协调协议（harmonized protocol）——一组在多数扫描仪上都可设置的"典型临床参数"。然后，他们把同一具 3D 打印碘墨水肝体模送到 8 家瑞士中心（含全部 5 家大学医院、1 家州立医院、2 家私立诊所），在 13 台扫描仪上以 5 档剂量（1/3/6/10/14 mGy）各重复扫描 10 次，用 2-3 种重建算法重建，最终得到 649 次 CT 扫描、1,378 个重建序列。

数据之外，论文还贡献了一套评测方法学：图像级相似度（RMSE/PSNR/SSIM）、特征级稳定性（ICC）、肝脏组织 4 类分类三层基准，并给出无协调条件下的基线结果，供后续研究对标。

§0 读法三则：

1. 这不是一个"疾病数据集"：它没有患者、没有临床结局、不能直接用于训练疾病分类器——它的用途是方法论标定与协调算法评测（§9 有全库同域对照）。
2. 全文硬数字有多个口径（1,378 vs 268 vs 2,756 序列），读时务必分清"总序列"“主集合序列”"TCIA Series 计数"三个不同概念（坑 2、双口径登记表）。
3. 抓取时点数据描述论文尚未正式发表（TCIA 标 “under submission, 2025”），本条目所有论文数字以 arXiv:2507.01539 v1（2025-07-02）为准。

§1 数据集速览：十问十答

Q1：CT4Harmonization 是数据集吗？还是项目名？

两者都是。“CT4Harmonization” 是一个瑞士国家级项目（SPHN 的 QA4IQI 相关）的统称，“CT4Harmonization-Multicentric” 是该系列公开发布的一个具体集合（多中心版本）。别把项目名与数据集名混用，检索时优先用带 “-Multicentric” 的完整 slug 或 DOI。

Q2：为什么说它"没有患者"？

因为它扫描的是体模。IDC 页面记 Subjects=1，这个"1"指 1 具物理体模（phantom），不是 1 名患者。TCIA 的 Species 字段写作 “Phantom”（物种栏填体模），是所有健康受试者/患者字段的替代。

Q3：1,378 和 649 分别是什么？

649 是实际执行的 CT 扫描次数；1,378 是这些扫描重建出的图像序列总数。因为每次扫描会用 2-3 种重建算法（FBP 滤波反投影、IR 迭代重建、部分扫描仪还有 DL 深度学习重建）各重建一次，一个扫描产生 2-3 个序列。649 次扫描 × 平均 2 种多 = 1,378 序列。

Q4：268 又是什么？

268 是主集合（10 mGy 协调协议下）的序列数，是 1,378 的一个子集。论文把 10 mGy 作为主研究对象（因为它是协调协议的基准剂量），另四档剂量（1/3/6/14 mGy）作为剂量效应研究。三个数字的关系：268 ⊂ 1,378，而 649 是扫描次数（横跨所有剂量）。

Q5：为什么有 13 台扫描仪却只有 8 家中心？

因为部分中心有多台扫描仪。8 家瑞士中心分布着 13 台扫描仪，编码为 A1 到 H2（字母=机构 A-H，数字=该机构内的扫描仪序号）。每家 1-2 台。

Q6：体模长什么样？

一具 3D 打印的、用碘墨水注入纸基的拟人躯干，基于真人 CT 制作。含三个腔室：胸部（thorax）、肝脏（liver）、测试图案（test patterns）。肝脏部分有 6 个感兴趣区（ROI），覆盖 4 类组织：2 个囊肿、1 个转移灶、1 个血管瘤、2 个正常肝组织。

Q7：它和真实患者数据集的本质区别是什么？

真实患者数据集（如本库 nsclc-radiomics rid 247）的价值在于生物学真实性——它们反映真实人群的疾病异质性，可直接训练临床模型。CT4Harmonization 的价值在于受控性——它删除了所有生物学变异，只保留机器变异，因此专门用于"诊断机器"而非"诊断疾病"。二者互补：前者需要后者来验证特征可复现性。

Q8：能用来训练分割模型吗？

论文明确不推荐。虽然提供了肝脏 ROI 真值分割掩码，但由于体模简单、多样性不足，用它训练的分割模型没有临床推广价值。掩码的真正用途是分类任务的真值（4 类组织）和特征提取的 ROI 定位。

Q9：许可真的这么宽松吗？

是的，TCIA 页明确标注 CC BY 4.0——这是本库技术光谱里最宽松的一档，署名即可商用、可修改、可再分发。但仍需遵守 TCIA Data Usage Policy 并按要求引用（含 DOI）。这与很多"仅研究用/受控访问"的医学数据集形成鲜明对比。

Q10：谁能用它？

需要做以下事情的人：(1) 开发/评测 CT 跨厂商协调算法；(2) 研究影像组学特征的扫描仪稳定性；(3) 做多中心数据池化/联邦学习的域适应；(4) 需要无协调基线作对照的评测基准研究。相反，需要真实疾病数据的临床建模者不应把本数据集当作训练源。

§2 数据集谱系与时间线

2.1 从"纹理体模"到"拟人体模"的十年铺垫

CT4Harmonization 不是凭空出现的。它的方法论根系可以追溯到该团队（及欧洲影像组学社区）近十年的体模研究。理解这条谱系，才能理解为什么这个数据集的设计如此"刻意"。

时间	工作	关键贡献	与本条目的关系
2015	Mackin et al., Invest Radiol 50(11):757	首次系统测量 CT 扫描仪对 radiomics 特征的变异影响	问题提出：radiomics 特征不稳定
2017	Jahnke et al., Radiology 282(2):569	提出"不透光 3D 打印"制作逼真 CT 体模	体模工艺源头
2019	Andrearczyk et al., J Med Imaging 6(2):024008	用纹理体模训练神经网络做跨协议 radiomic 标准化	协调方法前身
2021	Jimenez-del-Toro et al., Invest Radiol 56(12):820	用拟人 3D 打印体模做 radiomics 特征判别力/稳定性任务分析	直接前作：任务化分析范式
2023	Bach et al., Med Phys 50(9):5682	碘墨水 3D 打印 CT 体模用于 radiomics 特征提取：优势与挑战	体模本体论文：本条目所用体模的详述
2024	Jimenez-del-Toro et al., EUVIP	拟人体模上手作 radiomics vs 深度 radiomics 稳定性/判别力对比	特征类型对照的方法前身
2025	Amirian et al., arXiv:2507.01539	多中心版本发布：8 中心 13 扫描仪 649 扫描 1,378 序列	本条目

这条谱系的主线非常清晰：问题（2015 特征不稳定）→ 工具（2017/2023 体模工艺）→ 方法（2019/2021 协调与任务化分析）→ 规模化（2025 多中心基准）。CT4Harmonization-Multicentric 是这条线上"放大到 8 家中心、13 台机器"的里程碑版本。

2.2 项目背景：SPHN 与 QA4IQI

本工作由 Swiss Personalized Health Network（SPHN，瑞士个性化健康网络） 部分资助，具体挂靠 QA4IQI 项目（Quality assessment for interoperable quantitative CT imaging，可互操作定量 CT 成像质量评估，项目号 DMS2445），另有 IMAGINE 项目参与。此外受 Swiss National Science Foundation（SNSF，瑞士国家科学基金会） 两项基金支持：325230_197477 与 205320_219430。

QA4IQI 的项目定位本身就说明了数据集的使命：它不是为某个疾病造的，而是为定量 CT 成像的互操作性（interoperability）——即"让不同机器采出的 CT 能相互比较"——提供质量评估基础设施。CT4Harmonization 正是这套基础设施的数据载体。

2.3 时间线（自建关键节点）

• 2025-07-02：arXiv:2507.01539 v1 提交（cs.CV，5,248 KB），20+ 位作者。
• 2025-06-09：TCIA 数据 Version 1 更新（下载包 CT4Harmonization-Multicentric_V1_20250609.tcia，252.38 GB）。
• 2025-05-07：TCIA 页内 nbia-digest xlsx 日期（与上条构成版本日期双口径，见坑 6）。
• 2025（under submission）：数据描述论文投稿中，TCIA “Publication Citation” 页标 “coming soon”。
• 2026-10-09：本条目抓取与核验时点。

§3 机构与团队

3.1 牵头与通讯

• 牵头机构：HES-SO Valais-Wallis（瑞士瓦莱应用科技大学）信息学研究所（Institute of Informatics, School of Management, Sierre）+ Lausanne University Hospital（CHUV，洛桑大学医院）核医学与分子影像部。
• 通讯作者：Adrien Depeursinge（adrien.depeursinge@hevs.ch），三重隶属：HES-SO Valais-Wallis + CHUV 核医学与分子影像部。
• 一作：Mohammadreza Amirian（HES-SO Valais-Wallis + CHUV）。

3.2 参与机构全景（作者隶属）

机构	城市/国家	角色
HES-SO Valais-Wallis（Institute of Informatics）	Sierre, 瑞士	牵头
Lausanne University Hospital（CHUV）	Lausanne, 瑞士	牵头（核医学与分子影像部；放射科）
Idiap Research Institute	Martigny, 瑞士	合作
University Hospital Basel（Clinic of Radiology and Nuclear Medicine）	Basel, 瑞士	扫描中心 + 合作
ETH Zurich（Computer Vision Lab）	Zurich, 瑞士	合作
University of Geneva (UNIGE)	Geneva, 瑞士	合作
Inselspital Bern（University of Bern）	Bern, 瑞士	扫描中心
Cantonal Hospital Baselland	Bruderholz, 瑞士	扫描中心
Schmerzklinik Basel	Basel, 瑞士	扫描中心
University Hospital Zurich（Diagnostic and Interventional Radiology）	Zurich, 瑞士	扫描中心（Hatem Alkadhi）

3.3 关键作者

• Mohammadreza Amirian：一作，负责数据集构建与论文主笔。
• Michael Bach：体模设计与制作核心（Bach et al. 2023 体模论文一作），University Hospital Basel。
• Oscar Jimenez-del-Toro：特征稳定性分析方法（前作核心作者）。
• Vincent Andrearczyk：协调方法（HES-SO，arXiv 提交人/通信）。
• Hatem Alkadhi / Ender Konukoglu / Henning Müller / Bram Stieltjes：资深合作者（影像诊断、计算机视觉、影像信息学、放射物理）。

注：作者数量存在双口径——TCIA Data Citation 列 18 位，arXiv v1 作者列表 20 位（摘要标 “and 20 other authors”，即首位 + 20 = 21 位口径）。引用时按各源原样照录（坑 5、双口径登记表）。

§4 数据规模：硬数字建档

4.1 规模一览（三源互证）

维度	数值	TCIA 页	arXiv 摘要/正文	IDC 页
总图像序列	1,378	✔	✔	✔
主集合序列（10 mGy）	268	✔	✔（Table 2）	—
CT 扫描次数	649	✔	✔	—
扫描仪	13	✔	✔	—
厂商	4	✔	✔	—
机构	8	✔	✔	—
体量	252.38 GB	✔	—	—
模态	CT, SEG	✔	—	✔
许可	CC BY 4.0	✔	—	—
患者/受试者	0（体模，Species=Phantom）	✔	—	Subjects=1

三源（TCIA 集合页、arXiv 论文、IDC/NCI 页）在核心规模数字上完全一致：1,378 / 649 / 13 / 4 / 8。252.38 GB 为 TCIA 独有，arXiv 未报体量。

4.2 逐扫描仪分解（arXiv Table 2）

编码	扫描仪	厂商	FBP	IR	DL	合计
A1	Siemens SOMATOM Definition Edge	Siemens	50	50	0	100
A2	Siemens SOMATOM Definition Flash	Siemens	50	50	0	100
B1	Siemens SOMATOM X.Cite	Siemens	50	50	0	100
B2	Siemens SOMATOM Edge Plus	Siemens	50	50	0	100
G1	Siemens SOMATOM Definition Edge	Siemens	50	50	0	100
G2	Siemens SOMATOM Definition Flash	Siemens	50	50	0	100
C1	Philips Brilliance iCT 256	Philips	50	50	0	100
H2	Philips Brilliance CT 64	Philips	50	50	0	100
D1	GE Revolution Evo	GE	50	50	30	130
E2	GE Revolution Apex	GE	50	50	50	150
F1	GE BrightSpeed	GE	50	50	0	100
E1	Toshiba Aquilion Prime SP	Toshiba	49	49	0	98
H1	Toshiba Aquilion CXL	Toshiba	50	50	0	100
合计	—	—	649	649	80	1,378

厂商分布：Siemens 6 台、Philips 2 台、GE 3 台、Toshiba 2 台 = 13 台。注意 Toshiba 品牌（现为 Canon Medical）在论文口径中保留 Toshiba 命名。

两个可读出的设计细节：

1. E1 的 98 而非 100：Toshiba Aquilion Prime SP 在 10 mGy 剂量档"无意中"只做了 9 次重复（其余档 10 次），故其 5 档合计为 5×10−1 = 49 次扫描 × 2 重建 = 98 序列。论文如实披露了这个"失误"（inadvertently）。
2. DL 重建只在 GE 出现：13 台中仅 2 台 GE 扫描仪（D1 Revolution Evo、E2 Revolution Apex）有深度学习重建算法。D1 用于 3 档剂量（1/3/6 mGy）= 3×10 = 30 序列；E2 用于全部 5 档 = 5×10 = 50 序列；合计 80。这体现了现实中 DL 重建的稀缺性，也构成了一个天然的"重建算法"对照。

4.3 剂量与重建：协变量的设计

• 5 档剂量：1 / 3 / 6 / 10 / 14 mGy（CTDIvol，容积 CT 剂量指数）。设置方法：只调整管电流-时间乘积（mAs），其余参数保持不变——这是控制变量的关键设计。
• 每扫描仪每剂量重复 10 次（E1 在 10 mGy 档 9 次）——用于估计同一设备内的重复性（repeatability）。
• 主研究剂量为 10 mGy：协调协议以 10 mGy 为基准剂量；其余 4 档作为剂量效应研究。
• 参考 volume 为 14 mGy（最高剂量）：用于剂量效应比较（Table 6 以 14 mGy 为参照计算相似度）。

4.4 采集与重建参数（协调协议，以 10 mGy 为例）

协调协议基于瑞士 9 家中心 21 台 CT 扫描仪的真实临床胸腹 CT 协议问卷（针对肿瘤分期、肿瘤搜寻、门静脉期感染灶检测）推导。以 Siemens SOMATOM Definition Edge 为例的典型参数：

参数	值
管电压（tube voltage）	120 kV
管电流-时间乘积（mAs）	148 mAs
螺距（pitch）	1.000
旋转时间（rotation time）	0.5 s
准直（collimation）	38.4 mm
层厚/增量（slice thickness/increment）	2.0 mm
像素间距（pixel spacing）	1.367 mm

重要说明：由于厂商固有限制，并非所有扫描仪都能设置完全相同的参数，故各扫描仪实际参数与协调协议略有偏差（论文 Table 1 详列 13 台机器在 10 mGy 档的实际参数）。这是"协调"（harmonization）一词的精确含义——尽可能对齐，但承认残余差异。

4.5 数据完整性：为何"零预处理"

论文强调一个关键设计：发布的 DICOM 文件未做任何预处理，目的是保留全部变异来源——包括各扫描仪引入的空间偏移（spatial shifts）和体素间距差异（voxel spacing differences）。这意味着：

• 直接使用者必须自行处理体素间距不统一、空间未配准的问题；
• 团队另提供代码仓（medgift/Harmonization-Dataset）用于重采样到统一体素间距并配准；
• 这个"保留原始变异"的选择，正是让数据集成为协调方法公平试验场的前提——如果发布前就预处理掉差异，协调方法就无从评测了。

§5 体模设计与标注体系

5.1 体模是什么做的：碘墨水纸基 3D 打印

CT4Harmonization 所用的体模是一具 3D 打印的、用碘墨水（iodine ink）注入纸基的拟人体模，制作依据是真人 CT 数据（聚焦肝脏区域）。核心工艺细节：

• 制作思路：以真人 CT 为参照，用纸基材料 3D 打印出逼真的组织纹理结构；向纸中注入碘墨水以提高其密度，使其衰减匹配真实组织的密度（依据 Jahnke et al. 2017 的"不透光 3D 打印"方法）。
• 体模本体论文：Bach et al., Med Phys 2023（“3D-printed iodine-ink CT phantom for radiomics feature extraction—advantages and challenges”）——本条目所用体模的设计、权衡与评估在该文中详述。
• 固有局限：纸张的最小衰减限制了体模能模拟的最低密度。含气低密度组织（如肺内的空气）无法被模拟——因此本研究聚焦肝脏而非肺。这是一个诚实而重要的边界声明。

5.2 三腔室结构

体模包含三个腔室（Fig 2）：

1. 胸部（thoracic）：上段，模拟胸腔区域。
2. 肝脏（liver）：主体研究区，包含 6 个 ROI。
3. 测试图案（test patterns）：合成测试图案，用于成像质量的定量评估。

5.3 肝脏 6 ROI / 4 类组织

肝脏部分是分类与特征稳定性分析的核心。它包含 6 个感兴趣区（ROI），覆盖 4 类组织：

ROI	组织类别	说明
ROI 1	囊肿（cyst）	异常区，低密度囊性病变
ROI 2	囊肿（cyst）	异常区，第二枚囊肿
ROI 3	转移灶（metastasis）	异常区，模拟转移性肿瘤
ROI 4	血管瘤（hemangioma）	异常区，模拟良性血管性病变
ROI 5	正常肝组织	第 1 个正常肝实质区
ROI 6	正常肝组织	第 2 个正常肝实质区

每例扫描的肝脏区域都附有这 6 个 ROI 的真值分割掩码（ground truth segmentation masks），可用于 4 类组织分类与特征稳定性分析。TCIA 的 Cancer Type 字段因此填的是 “Hemangioma, Metastatic disease, Hepatic Cyst”——虽然这是体模而非真实病例，但数据编目沿用了疾病的分类标签以描述体模所模拟的病理形态。

5.4 关于分割掩码的边界声明

论文对掩码用途有一个明确的限制性声明：不推荐用本数据集开发分割模型。理由是任务过于简单、体模缺乏多样性——6 个固定 ROI、单一物理样本，训练出的分割模型没有任何临床泛化价值。掩码的正确定位是：为分类任务提供真值（哪块是囊肿、哪块是转移灶）和为特征提取提供 ROI 定位（在正确区域内提取纹理特征）。

这条边界值得所有 AI-Ready 数据集使用者注意：有分割掩码 ≠ 适合做分割任务。CT4Harmonization 的掩码是"评测锚点"，不是"训练素材"。

§6 获取与许可：库内最宽松的一档

6.1 许可：CC BY 4.0

TCIA 集合页在 License 字段明确标注 CC BY 4.0。这是 Creative Commons 署名 4.0 国际许可，属本库技术光谱中最宽松的一档：

• 允许：自由使用、复制、修改、分发、商用；
• 唯一条件：署名（attribution）——需在成果中注明来源；
• 附加要求：遵守 TCIA Data Usage Policy，并引用 TCIA Data Citation（含 DOI）。

对比本库其他条目：很多医学影像数据集是"受控访问/仅研究用/CC BY-NC"（如 headneck-radiomics rid 946 的影像为 NIH Controlled Access）。CT4Harmonization 的 CC BY 4.0 让它在商用与再分发上几乎没有摩擦——这是它作为"基础设施型"数据集的合理定位。

6.2 获取路径

路径	入口	说明
TCIA 主页	https://www.cancerimagingarchive.net/collection/ct4harmonization-multicentric/	官方集合页，含摘要/下载/引用
TCIA 下载包	CT4Harmonization-Multicentric_V1_20250609.tcia	252.38 GB；需 TCIA Data Retriever 工具
NCI IDC	collection_id=ct4harmonization_multicentric	NCI 影像数据共享平台镜像入口
代码仓 1（预处理/加载）	https://github.com/QA4IQI/qa4iqi.github.io	从原始 DICOM 预处理与加载
代码仓 2（配准/重采样）	https://github.com/medgift/Harmonization-Dataset	统一体素间距 + 配准
代码仓 3（特征提取）	https://github.com/mariamartinasiain/radiomics_phantom_dose_analysis	64×64×32 patch 特征提取（MIT license）

下载实操提示：TCIA 图像不能通过普通浏览器直链批量下载，必须使用 TCIA Data Retriever 工具（NBIA 系列工具）。252 GB 的体量对本地存储与带宽要求较高，规划前先评估。

6.3 许可与合规清单

• 引用要求：使用必须引用 TCIA Data Citation。官方推荐格式（保留 “and” 样式）：

  Amirian, M., Bach, M., Jimenez del Toro, O. A., Aberle, C., Schaer, R., Andrearczyk, V., Maestrati, J.-F., Flouris, K., Obmann, M., Dromain, C., Dufour, B., Poletti, P.-A., von Tengg-Kobligk, H., Alkadhi, H., Konukoglu, E., Müller, H., Stieltjes, B., & Depeursinge, A. (2025). A Multi-Centric Anthropomorphic 3D CT Phantom-Based Benchmark Dataset for Harmonization (CT4Harmonization-Multicentric) (Version 1) [Data set]. The Cancer Imaging Archive. https://doi.org/10.7937/M0PB-BH69

• 论文引用：Amirian et al. (2025), arXiv:2507.01539，doi:10.48550/ARXIV.2507.01539。
• 商业使用：CC BY 4.0 允许商用，只需署名——但若你训练的是需要临床验证的模型，仍应遵循医学 AI 的监管要求（本数据集本身不含患者数据，故不涉及患者隐私合规）。
• 再分发：允许，需保留署名与许可声明。

6.4 AI-Ready 评估：可获取性满分型

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：TCIA 页面 + IDC 页面 + arXiv 论文 + 多个 GitHub 代码仓——优秀。
• 公开直链：TCIA 直链可用（下载包 URL 明确），无注册墙、无请求制——在"可获取性"上属最高档。
• 许可明确性：CC BY 4.0 单一许可，无分层异构，无灰色地带——本库最清晰的一档。
• 可复现性：三个开源代码仓覆盖"加载→配准→特征提取"全链路，基线结果可复现——优秀。
• 文档自洽：存在序列计数双口径（1,378 vs 2,756）与作者数双口径（18 vs 20/21），但均不影响主线（见坑 2、坑 5）。

综合：AI-Ready 等级"高"——可获取性与许可清晰度都接近满分，唯一的扣分在体量（252 GB）带来的工程门槛，以及文档中的口径小漂移。这与很多"注册墙/请求制"数据集形成鲜明对照，也与"体模数据集"应有的公共基础设施定位相符。

§7 评估方法学与基线结果

这是本数据集对社区最有价值的部分之一：论文不只发布数据，还定义了一套标准评测协议（图像级 + 特征级 + 任务级三层），并给出无协调条件下的基线，供后续协调方法对标改进。

7.1 三层评测框架

层级	指标	含义	方向
图像级	RMSE	均方根误差，体素值一致性	↓ 越低越好
图像级	PSNR	峰值信噪比，近似噪声水平	↑ 越高越好
图像级	SSIM	结构相似性，视觉质量	↑ 越高越好
特征级	ICC(3,1)	组内相关系数，特征跨扫描仪稳定性	↑ 越高越好
任务级	分类准确率	肝脏 4 类组织分类	↑ 越高越好

图像级指标细节：计算前需将待测序列配准（registration）到参考序列——论文使用 ITK 的刚性配准（rigid registration）。指标仅在体模体积内计算，忽略体模周围的空气区域；并对肝脏、肺（体模胸部）、结构部分合并计算。SSIM 参数基于 CT 动态范围 L=3000 HU（从空气 −1000 HU 到骨 +2000 HU）与 Wang et al. 的标准参数 K1=0.01、K2=0.03，得到 C1=(K1×L)²=900 HU²、C2=(K2×L)²=8100 HU²。

特征级指标细节：ICC(3,1)（Shrout & Fleiss 1979）用于度量跨 13 台扫描仪的特征相似性，公式为 (BMS−EMS)/(BMS+(i−1)·EMS)，其中 BMS 为扫描仪间均方、EMS 为扫描仪内均方、i=13。计算前特征在重建方法与重复次数上取平均，以聚焦扫描仪的结构/纹理影响。

7.2 特征稳定性与组织分类基线（arXiv Table 7，10 mGy 协调协议）

特征类型	Mean ICC ↑	Mean CV ↑	分类 LOSO（单扫描仪训练）↑	分类 LOSO（12 扫描仪训练）↑
Radiomics（PyRadiomics）	0.990±0.121	0.920±0.027	0.986±0.024	0.997±0.001
Shallow CNN	0.965±0.103	0.949±0.035	0.998±0.005	1.000±0.000
SwinUNETR	0.917±0.182	0.819±0.082	0.985±0.026	0.998±0.002

LOSO CV（Leave-One-Scanner-Out）：留一扫描仪交叉验证——严格测试"模型在训练时从未见过的扫描仪上的性能"，是评估跨扫描仪泛化能力的最严口径。
10-fold CV：随机 10 折交叉验证——训练集可能包含与测试扫描仪相似的设备，口径较宽松。

7.3 三个反直觉的发现

发现一：图像按厂商聚类，但分类性能依然很高

论文 Fig 5 显示，无协调条件下，图像特征在所有特征类型上都按厂商明显聚类（inter-scanner 变异可见）。但 Table 7 却显示：即使测试扫描仪完全未出现在训练集中（LOSO），组织分类准确率依然高达 0.985–0.998。论文的解释是：该分类任务的类间（组织）变异远大于类内（扫描仪）变异，所以扫描仪扰动虽真实存在，却不足以破坏这个简单任务的分类——换句话说，分类任务太简单了，掩盖了扫描仪问题的严重性。

发现二：全局相似度指标无法捕捉跨扫描仪差异

虽然图像按厂商聚类明显，但 SSIM 值却普遍很高（Table 5，跨厂商对角线外的值多在 0.94–0.99）。论文明确指出：全局相似度度量（如 SSIM）无法很好地捕捉跨扫描仪差异——这些差异是局部/纹理级别的，被全局平均掩盖了。因此论文建议：图像级协调方法应聚焦目标组织/结构，而非全局相似度。

发现三：简单的重采样已是一种基础协调

论文指出一个发人深省的点：用于统一体素尺寸的简单图像重采样（resampling）步骤，本身就充当了一种基础协调方法。这意味着很多"协调效果"的基线其实已经包含了最朴素的预处理——后续复杂方法必须在此之上证明增量价值，而非与"零处理"比较。

7.4 剂量效应（arXiv Table 6）

论文以最高剂量 14 mGy 为参考，测量各扫描仪在不同剂量下的图像级相似度。一个可归纳的规律（以 GE BrightSpeed 为例）：剂量越低，RMSE 越高、PSNR/SSIM 越低——

GE BrightSpeed 剂量	RMSE ↓	PSNR ↑	SSIM ↑
1 mGy	138.336±6.911	23.213±0.437	0.605±0.060
3 mGy	109.802±30.469	25.635±2.894	0.786±0.088
6 mGy	58.964±15.550	30.856±1.966	0.913±0.014
10 mGy	56.299±16.765	31.325±2.217	0.933±0.007

低剂量扫描不仅引入更多噪声，还系统性改变定量指标——这为"剂量作为域偏移来源"提供了直接证据，也是低剂量 CT 协议协调研究的动机。

7.5 为什么这些基线重要

对任何想在本数据集上提出协调方法的团队，本节基线给出了明确的改进目标：

1. 图像级：能否在 Table 3-5 的 RMSE/PSNR/SSIM 上超越无协调基线？
2. 特征级：能否把 Radiomics 的 ICC 从 0.990 进一步提升？（已经很高，空间有限）
3. 任务级：能否在 LOSO 最严口径下维持或提升分类性能，同时在更困难的任务（如加入器官/骨类别）上证明优势？

§8 方法学启示：协调研究的四条可迁移经验

8.1 "用体模隔离机器变异"是可复制的实验范式

CT4Harmonization 的核心方法论贡献，是把一个模糊的工程问题——“多中心数据能不能池化”——转化为一个受控实验：固定被扫描对象（体模），让唯一的自变量成为扫描仪/厂商/剂量/重建。这个范式可以迁移到任何模态（MRI 已有类似体模研究，PET 亦然）。启示：当你要研究"设备/协议"的效应时，先问有没有一个可重复扫描的固定对象。

8.2 简单任务会掩盖域偏移问题

发现一（§7.3）是整个数据集最深刻的一课：4 类组织分类在无协调下都接近满分，但这不代表扫描仪问题不重要，只代表任务太简单。这对整个医学 AI 评测有普适警示——很多"跨中心泛化良好"的报告，可能只是因为评测任务本身对域偏移不敏感。论文自己建议：加入更多类别（器官、骨）可以轻易让任务变难，从而暴露被掩盖的问题。

8.3 全局相似度是协调评测的陷阱

发现二（§7.3）提醒：如果你用 SSIM/PSNR 这类全局指标来证明"我的协调方法成功了"，你可能被高基线值欺骗——因为跨扫描仪差异主要是局部纹理级的，全局平均会稀释它们。协调方法的价值应在目标组织/结构上、在特征级 ICC 上、在任务性能上被验证，而非全局图像相似度。

8.4 "保留原始变异"是数据发布的勇气

团队选择不预处理 DICOM（保留空间偏移与体素间距差异），让数据集保持"脏"——这在工程上不讨喜（使用者多了负担），但在方法学上正确（否则协调方法无从评测）。这是一个关于数据集设计哲学的案例：发布数据的"整理程度"应与数据集的目标用途匹配。用于训练→适度清洗；用于评测协调→保留变异。

§9 与库内条目的关系

9.1 家族图谱：本条目在库内的独特生态位

CT4Harmonization-Multicentric 是本库内最典型的"非疾病数据集"之一——它的价值不在疾病本身，而在为疾病数据集的方法学提供标定。它与库内条目的关系可归为三类：

（一）"动机↔方法"配对（radiomics 疾病队列）

• headneck-radiomics（rid 946）：MAASTRO 137 例头颈鳞癌放疗 CT 队列，Aerts 2014 泛癌 radiomics signature 的 H&N1 数据源。它是"跨中心 radiomics 特征可比性"问题的真实数据侧——137 例患者来自真实临床，特征稳定性无法用体模那样精确控制。本条目是其方法学标定侧：想知道 H&N1 特征跨扫描仪能漂移多少，答案是去 CT4Harmonization 上看受控条件下的 ICC。
• nsclc-radiomics（rid 247）：NSCLC-Radiomics / Lung1，422 例非小细胞肺癌，同为 Aerts 2014 的源数据（肺部队列）。Lung1 的 CT 特征跨扫描仪稳定性问题，正是本数据集设想的协调方法的直接应用场景。注意：本数据集因体模纸张衰减限制无法模拟肺，故它对肺的贡献是"方法学"而非"体模样本"。
• 三者构成一条完整链条：Aerts 2014 泛癌 radiomics（940/247 的真实队列）+ CT4Harmonization（跨扫描仪特征稳定性的受控标定）= radiomics 可复现性问题的"问题—工具"闭环。

（二）"真实↔受控"配对（CT 影像数据集）

• ct-org（rid 796）：CT 器官分割数据集。与本条目同为 CT 域、同为"结构性"任务，但 ct-org 是真实患者、本条目是体模——真实解剖的多样性 vs 受控机器的可归因性，两者对照最见体模的价值与边界。
• abdomenct-1k（rid 402）：腹部 CT（肝脏所在的解剖区域），可直接对照"体模肝脏 ROI"与"真实腹部 CT"的纹理差异。
• ct-rate（rid 546）：CT 相关任务数据集，同 CT 域参照。

（三）方法消费者

• ct-lesion-foundation-model（rid 963）：CT 病灶基础模型。任何声称"跨中心鲁棒"的 CT 基础模型，都可以用本数据集的协调协议与基线来检验其域适应能力。

9.2 检索路径建议

• 检索词组合："CT4Harmonization-Multicentric"（精确）+ phantom + harmonization；DOI 10.7937/M0PB-BH69 最稳。
• 若目标是协调算法开发：TCIA 下载数据 → medgift/Harmonization-Dataset 配准 → 对标 §7 基线。
• 若目标是radiomics 特征稳定性文献：本条目 + headneck-radiomics(946) + nsclc-radiomics(247) 三篇连读（方法 + 两个真实队列）。
• 若目标是体模工艺：追 Bach et al. 2023 Med Phys（体模本体论文）。

9.3 消歧提示

• “CT4Harmonization” 是项目统称，“CT4Harmonization-Multicentric” 是其中的多中心数据集合。检索时勿把两者混同（坑 1）。
• 本条目不含患者，任何以"患者数/病例数"为筛选条件的检索都会把它归入"零病例"桶——这不是数据缺陷，而是体模数据集的本质（坑 3）。

§10 避坑清单：六个已踩过的坑

坑 1：把项目名当数据集名。 “CT4Harmonization” 是一个瑞士 SPHN 项目的统称，其下有多个产出；本条目对应的是具体集合 “CT4Harmonization-Multicentric”。检索精确数据集应用带 “-Multicentric” 的完整 slug 或 DOI 10.7937/M0PB-BH69。

坑 2：序列计数三口径（1,378 vs 268 vs 2,756）。 1,378 = 总重建序列数（所有剂量）；268 = 主集合（10 mGy）序列数；2,756 = TCIA 页面的 Series 计数。三个数字都在不同语境下正确，混用会导致规模误判。论文正文/摘要以 1,378 为准，TCIA 表格 Series 2,756 存照（疑含 SEG series）。

坑 3：误把 Subjects=1 当 1 名患者。 IDC 页记 Subjects=1，TCIA 记 Species=Phantom。"1"指 1 具物理体模。任何按患者数筛选数据集的脚本都会漏判本条目——它本就没有患者。

坑 4：以为有分割掩码就能做分割。 本数据集提供肝脏 6 ROI 真值分割掩码，但论文明确不推荐用于开发分割模型（任务太简单、多样性不足）。掩码的用途是真值分类锚点与 ROI 定位，不是分割训练素材。用错会得到虚高的分割指标与零临床价值。

坑 5：作者数双口径。 TCIA Data Citation 列 18 位作者；arXiv v1 作者列表 20 位（摘要标 “and 20 other authors”）。引用时按各源原样照录，避免合并成自相矛盾的作者表。

坑 6：版本日期双口径。 TCIA 页 Updated 字段为 2025/06/09（下载包后缀 20250609），但页内 nbia-digest xlsx 链接日期为 2025-05-07。两日期都出现在官方页面上，引用时说清指的是哪个（一般以 Updated 2025-06-09 为版本日期）。

补充可读坑（编号续）：坑 7：误以为 DICOM 已预处理。 发布的 DICOM 未做任何预处理，空间偏移与体素间距差异被刻意保留——直接用会踩坑，需自行配准/重采样（team 提供代码仓）。坑 8：纸张衰减限制。 体模无法模拟含气低密度组织（肺），故数据集聚焦肝脏；想研究肺 CT 协调的人需另寻体模或真实数据。

§11 总结

11.1 三句话总结

1. CT4Harmonization-Multicentric 用一具 3D 打印碘墨水肝体模、13 台扫描仪、4 家厂商、8 家瑞士中心、5 档剂量、649 次扫描，造出一个没有患者的影像数据集——目的正是剔除患者，让机器变异成为唯一的自变量。
2. 它贡献的不只是 1,378 个序列（252.38 GB，CC BY 4.0），还有一套图像级（RMSE/PSNR/SSIM）+ 特征级（ICC）+ 任务级（组织分类）三层评测协议及无协调基线，为所有 CT 协调方法的公平对标提供了锚点。
3. 它最深刻的一课是反直觉的：在简单任务上，无协调的跨扫描仪分类依然接近满分——这说明域偏移问题的严重性会被简单的评测任务系统性掩盖。

11.2 适合谁

• 协调/域适应方法开发者：需要一个受控、可复现、含基线的标准试验场。
• 影像组学研究者：需要量化"扫描仪能给特征带来多大扰动"的参照。
• 多中心池化/联邦学习团队：需要评估跨中心数据可比性。
• 体模工程/放射物理研究者：碘墨水纸基 3D 打印体模的完整案例与工艺溯源。
• 数据集方法学研究者："体模隔离变异"这一实验范式的教科书样本。

11.3 不适合谁

• 需要真实疾病数据做临床建模的人：本数据集零患者、零临床结局。
• 想训练分割模型的团队：论文明确不推荐（坑 4）。
• 研究与肺/含气组织相关协调的人：体模纸张衰减限制使其无法模拟肺（坑 8）。
• 存储/带宽受限的使用者：252.38 GB 体量门槛不低。

11.4 30 秒决策卡

你的情况	行动
要开发 CT 协调算法	TCIA 下载（需 Data Retriever）→ medgift/Harmonization-Dataset 配准 → 对标 §7 三层基线
要研究 radiomics 特征稳定性	本条目 + headneck-radiomics(946) + nsclc-radiomics(247) 连读
要找体模工艺细节	追 Bach et al. 2023 Med Phys（体模本体论文）
要评测 CT 基础模型域鲁棒性	用本数据集 LOSO 协议作压力测试（对照 ct-lesion-foundation-model rid 963）
要引用本数据集	CC BY 4.0，引 TCIA Data Citation（DOI 10.7937/M0PB-BH69）+ arXiv:2507.01539
只是要找疾病 CT 数据	本条目不适用——转 headneck-radiomics(946)/nsclc-radiomics(247)/ct-org(796)

FAQ（高频问答 30 问）

A. 基础认知

Q1：CT4Harmonization-Multicentric 到底是不是"数据集"？
是。它是一个公开的 DICOM 影像集合（1,378 序列、252.38 GB），托管在 TCIA，有 DOI、有许可、有配套论文与代码。只是它的内容是体模扫描而非患者扫描。

Q2：为什么叫 “Harmonization”？
Harmonization（协调）指在图像层或特征层消除不同扫描仪/厂商/协议带来的非生物学差异，使多中心数据可以安全池化。本数据集就是为开发与评测这类方法而造。

Q3：它和本库常见的疾病数据集（如 nsclc-radiomics）有什么本质不同？
疾病数据集（nsclc-radiomics rid 247）的价值是生物学真实性（可训练临床模型），本数据集的价值是受控性（可精确归因机器效应）。前者是"诊断疾病"，后者是"诊断机器"。

Q4：谁做的？
瑞士 HES-SO Valais-Wallis 信息学研究所 + 洛桑大学医院（CHUV），通讯作者 Adrien Depeursinge，SPHN QA4IQI 项目。

Q5：发表在哪？
数据描述论文为 arXiv:2507.01539（2025-07-02，cs.CV），投稿中（TCIA 标 “under submission, 2025”）；数据集本身托管 TCIA，DOI 10.7937/M0PB-BH69。

Q6：为什么需要 13 台扫描仪这么多？
因为要覆盖真实的厂商/型号多样性。4 家厂商（Siemens/Philips/GE/Toshiba）× 新旧型号 = 13 台，才能让"扫描仪变异"这个研究对象有足够的取值范围。

Q7：最大的卖点一句话？
它把所有患者变异冻结，只留机器变异——让"到底是机器在变还是人在变"这个问题在 radiomics 语境下第一次有了干净的答案。

Q8：它自己有什么局限？
纸张衰减无法模拟肺（坑 8）；任务太简单掩盖域偏移（§7.3）；单具体模无解剖多样性；同厂商扫描仪相似导致厂内偏置；DICOM 未预处理（坑 7）。

Q9：开源吗？
完全开源。数据 CC BY 4.0（TCIA），代码三个 GitHub 仓（QA4IQI、medgift、radiomics_phantom_dose_analysis），论文 arXiv 开放。

Q10：体量多大？
252.38 GB（TCIA 口径），1,378 序列。

B. 数据与获取

Q11：1,378 和 649 什么关系？
649 次 CT 扫描，每次平均重建出 2-3 个序列，合计 1,378 序列。

Q12：268 又是什么？
10 mGy 主集合的序列数（论文主研究剂量档）。它是 1,378 的子集。

Q13：怎么下？
用 TCIA Data Retriever 工具下载 CT4Harmonization-Multicentric_V1_20250609.tcia；也可从 NCI IDC 平台取。

Q14：DICOM 有预处理吗？
没有（坑 7）。刻意保留空间偏移与体素间距差异，以保留全部变异来源。需自行配准/重采样。

Q15：肝脏有哪些 ROI？
6 个：2 囊肿、1 转移灶、1 血管瘤、2 正常肝组织（4 类）。

Q16：能商用吗？
能。CC BY 4.0 允许商用，只需署名并遵守 TCIA 政策。

Q17：要引用什么？
TCIA Data Citation（DOI 10.7937/M0PB-BH69）+ 论文 arXiv:2507.01539。

Q18：有体模的 3D 打印文件吗？
论文/TCIA 页未直接提供体模 CAD 文件；体模工艺详见 Bach et al. 2023 Med Phys。若要复刻需联系团队或查阅该文（遗留疑点）。

C. 方法与评测

Q19：三层评测是什么？
图像级（RMSE/PSNR/SSIM）+ 特征级（ICC(3,1)）+ 任务级（肝脏 4 类分类）。见 §7.1。

Q20：LOSO 和 10-fold 有什么区别？
LOSO（留一扫描仪）严格测试未见扫描仪；10-fold 随机折可能含相似设备，口径更宽松。两者对比可见"训练集含相似扫描仪"带来的性能红利（SwinUNETR 上尤其明显）。

Q21：为什么无协调分类还能近满分？
因为 4 类组织的类间变异远大于扫描仪类内变异，任务太简单（§7.3）。这不是说扫描仪问题不重要，而是说这个简单任务测不出来。

Q22：SSIM 那么高，为什么还说图像按厂商聚类严重？
因为跨扫描仪差异主要是局部纹理级的，全局 SSIM 会把它平均掉（§7.3 发现二）。论文因此建议协调方法应聚焦目标组织。

Q23：简单重采样也算协调吗？
算。论文指出统一体素尺寸的重采样本身是一种基础协调——后续复杂方法必须在此之上证明增量价值。

Q24：DL 重建只有 GE 有，公平吗？
这是现实约束（仅 2 台 GE 有 DL 重建算法），论文如实披露。它反而构成一个天然的重建算法对照（D1 30 序列、E2 50 序列，共 80）。

Q25：E1 为什么是 98 而不是 100？
Toshiba Aquilion Prime SP 在 10 mGy 档"无意中"只做了 9 次重复扫描，故 5 档合计 49 次扫描 × 2 重建 = 98（坑 2 之外的小口径，论文自曝 “inadvertently”）。

D. 关联与生态

Q26：它和 Aerts 2014 什么关系？
Aerts 2014（Nat Commun 5:4006）是把 radiomics 推向主流的奠基论文，依赖多中心队列；本数据集为这类多中心 radiomics 研究提供跨扫描仪特征稳定性的受控标定。库内 headneck-radiomics(946)、nsclc-radiomics(247) 是其数据源。

Q27：它和 ct-org（rid 796）怎么区分？
ct-org 是真实患者的 CT 器官分割数据集；本条目是体模。真实解剖多样性 vs 受控机器可归因性，互补关系。

Q28：做肺 radiomics 用它行吗？
方法论上可以（协调协议思路通用），但体模无法提供肺样本（纸张衰减限制，坑 8）。肺的协调研究需另找体模或真实数据。

Q29：做联邦学习的团队能用它吗？
非常适合。它正是为"多中心数据池化/联邦场景的域偏移"设计的试验场——论文摘要明确提到 federated scenarios。

Q30：如果我只记住一件事？
这是一座"没有患者的医院"——一具假人被 13 台真机器反复扫描，只为回答一个问题：当病人的变量被清零后，机器会让同一块组织的影像特征漂移多远？ 答案在 §7 的 ICC 表里。

§12 深度解读：协调问题的来龙去脉

12.1 域偏移的三层来源

要理解本数据集为什么值得 252 GB，需要先理解 CT 影像里"非生物学差异"的三层来源。论文明确把这层分析拆开：

第一层：厂商与扫描仪硬件。 4 家厂商（Siemens、Philips、GE、Toshiba）的探测器技术、重建内核、默认参数各不相同。同一块组织在 Siemens 与 GE 上重建出的纹理就有系统性差异——论文 Fig 5 的降维可视化显示，图像在所有特征类型上都按厂商聚成清晰的簇。

第二层：采集参数。 管电压（kV）、管电流-时间乘积（mAs）、螺距（pitch）、准直、层厚——任何一个变化都会改变噪声水平与纹理。本数据集通过协调协议尽量对齐这些参数，但厂商固有限制导致残余差异（§4.4）。

第三层：重建算法。 即使扫描参数完全一致，FBP、IR、DL 三种重建算法产出的图像也不同——这正是本数据集为"同一次扫描"提供多个重建序列的原因（649 次扫描 → 1,378 序列）。论文 Fig 5 特别指出：同一扫描仪内部还会因重建算法差异形成子簇（intra-scanner variations）。

三层叠加，构成一个真实多中心研究里无法解耦的混合效应。体模的价值就在于：它让研究者能分别控制这三层，逐层量化每一层的影响。

12.2 "协调"的两种范式

论文把协调（harmonization）分为两大范式，本数据集两者都支持：

图像级协调（image-level harmonization，亦称 homogenization）。 在原始图像上直接消除差异——例如周期一致性 GAN、canonical mapping、风格迁移、表示解耦。目标是让协调后的图像在目标组织上跨扫描仪一致。评测手段：RMSE/PSNR/SSIM（§7.1），但论文警示全局指标不足（§7.3 发现二）。

特征级协调（feature-level harmonization）。 不动图像，改在特征空间对齐——最经典的是 ComBat（生物信息学批次效应校正方法迁移到影像），也有对抗训练、对比学习等。评测手段：ICC(3,1) 提升与跨扫描仪特征聚类消除。

论文的形式化定义值得记录：设 f_i(x) 为在数据集 i（如扫描仪 i）上优化的机器学习函数，协调变换 τ(x) 的目标是把原始特征 x 映射为协调特征 x’ = τ(x)，使得单一全局分类器 f(x) 可以跨异质池化数据源通用。这正是多中心研究最想要的东西。

12.3 为什么"体模隔离变异"在方法学上不可替代

真实多中心研究中，一个特征值的方差可以分解为：

Var(观测) = Var(生物学) + Var(扫描仪) + Var(协议) + Var(噪声)

研究者想估计的是 Var(扫描仪)，但 Var(生物学) 通常最大且不可观测，导致无法干净分离。体模把 Var(生物学) 强制归零，于是：

Var(观测 | 体模) ≈ Var(扫描仪) + Var(协议) + Var(噪声)

剩下三项都可通过实验设计进一步控制（协议对齐、重复测量）。这就是为什么即便有一个 422 例真实肺癌队列（nsclc-radiomics rid 247），你仍然需要一具体模来回答"扫描仪本身贡献了多少方差"——两者回答的是不同问题，无法互相替代。

12.4 从"无协调基线"到"协调目标"

本数据集最实用的设计之一，是给出了无协调条件下的完整基线。这意味着任何后续协调方法都有一个明确的、统一的、可比较的起点。基线包含：

1. 图像级：Table 3（RMSE）、Table 4（PSNR）、Table 5（SSIM）——13×13 扫描仪两两相似度矩阵。
2. 剂量级：Table 6——各扫描仪在 5 档剂量下相对 14 mGy 参考的相似度。
3. 特征/任务级：Table 7——三种特征类型的 ICC 与分类准确率。

一个协调方法的完整评测，应该在这三层上同时报告改进。论文对未来工作的期望也写得很明确：协调方法应"improve the image-level metrics, ICC at the feature-level, and ultimately performances on real tasks such as tissue classification, segmentation or patient prognosis prediction"。这句话把图像级指标、特征级指标、真实任务性能串成了一条完整的证据链——三者缺一，协调方法的声称就不成立。

12.5 一个被低估的细节：配准的副作用

论文在图像级指标定义处埋了一句关键警示：计算 RMSE/PSNR/SSIM 需要先配准 I_r 与 I_s，而配准本身会影响图像的呈现（“which itself has an impact on image appearance”）。这意味着图像级相似度指标的绝对值里，混入了配准算法的误差。对严格的协调方法比较研究，这是一个必须处理的混杂因素——要么固定配准算法，要么把配准误差纳入不确定性估计。这条细节对做复现的团队极其重要，因为它决定了你的图像级指标能不能与他人的直接比较。

§13 常见误读与纠正

13.1 “没有患者 = 没有价值”

这是最常见的误读。体模数据集的价值恰恰在于没有患者——只有当被扫描对象完全固定时，机器效应才能被干净地估计。真实患者数据集的"真实性"与体模数据集的"受控性"是互补的两个维度，不是优劣关系。把 CT4Harmonization 当成"二等数据集"是对其用途的根本误解。

13.2 “1,378 个序列 = 1,378 个独立样本”

不是。这 1,378 个序列来自同一具体模，重复扫描与多种重建。它们之间高度相关（同一物理对象），不能当作 1,378 个独立临床样本来做统计推断。用它们做统计时，必须考虑扫描仪内/间的嵌套结构——这也是论文用 ICC（而非简单相关系数）的原因。

13.3 “分类准确率近满分 = 数据集没难度/没用”

分类准确率高恰恰是论文想传达的信号：这个任务太简单，掩盖了域偏移。数据集的价值不在于提供难任务，而在于提供受控的评测环境与诚实的基线。它是"标定尺"，不是"竞技场"。

13.4 “CC BY 4.0 = 随便用不用管”

CC BY 4.0 允许商用与再分发，但署名是强制的，且必须遵守 TCIA Data Usage Policy。此外，若你的下游成果涉及临床决策，仍受医学 AI 监管约束——数据集的宽松许可不豁免产品的合规义务。

13.5 “它能替代真实数据的跨中心评测”

不能。它回答"扫描仪效应有多大"，但无法回答"我的模型在真实患者异质数据上表现如何"。完整的多中心验证需要两者：体模证明协调方法有效（消除了机器差异），真实数据证明协调方法有用（改善了临床任务）。少任何一环，结论都不完整。

§14 与真实世界多中心研究的桥接

14.1 从标定到部署的路径

本数据集在多中心 AI 研究生命周期中的位置可以这样定位：

问题发现（真实队列观察到跨中心性能下降，如 nsclc-radiomics 247）
        ↓
受控诊断（用 CT4Harmonization 量化机器效应占比）
        ↓
方法开发（在本数据集上开发并标注协调算法，对标 §7 基线）
        ↓
回验真实数据（把协调方法应用到真实多中心队列，验证临床增益）
        ↓
部署监控（用体模协议周期性标定生产环境的扫描仪）

这条路线的每一环，本库都有对应条目支撑：真实队列（247/946）→ 体模标定（本条目）→ 协调方法（文献）→ 真实回验（247/946）→ 生产 QA（QA4IQI 项目初衷）。

14.2 "临床 QA"这个隐藏用途

QA4IQI 项目的全称是"可互操作定量 CT 成像质量评估"——它的初衷之一，就是把体模扫描作为临床影像科的常规质量保证（QA）流程：定期用同一具体模扫描各台机器，监测其定量稳定性是否漂移。从这个角度看，CT4Harmonization 不仅是研究数据集，还是一套可落地的 QA 协议的示范。医院影像科若想建立自己的定量 CT 质控体系，本数据集的协议设计（协调协议 + 5 档剂量 + 重复扫描 + 三层指标）可直接作为模板。

FAQ 续（Q31-Q45）

Q31：1,378 个序列能被当作独立样本吗？
不能。它们来自同一具体模，高度相关，做统计必须考虑嵌套结构（§13.2）。

Q32：配准会干扰图像级指标吗？
会。论文明确配准本身影响图像呈现（§12.5），严格比较应固定配准算法或纳入其不确定性。

Q33：图像级协调和特征级协调该选哪个？
取决于下游任务。若任务在图像空间（分割、生成）→ 图像级；若任务只用提取的特征（radiomics 建模）→ 特征级。本数据集两者都支持评测。

Q34：ComBat 能在这个数据集上用吗？
能，且有明确对标口径——特征级 ICC 提升与跨扫描仪聚类消除（§12.2）。

Q35：协调方法的"成功"标准是什么？
三层同时改善：图像级指标↑、特征级 ICC↑、真实任务性能↑（§12.4）。只改善一层不足以声称成功。

Q36：能把体模协议搬到我们医院做质控吗？
可以，这正是 QA4IQI 的初衷（§14.2）。协议设计可直接作模板。

Q37：数据集里的"癌症类型"（血管瘤/转移/囊肿）是真实病例吗？
不是。它们是体模所模拟的病理形态标签，用于编目与分类任务定义（§5.3），非真实患者诊断。

Q38：为什么 TCIA 和论文的序列数不一样？
TCIA Series 字段 2,756 vs 论文 1,378，疑因 SEG 等对象的计数口径差异（坑 2）。以论文为准。

Q39：E1 扫描仪的 98 序列是数据错误吗？
不是错误，是采集时"无意中"少做了一次重复（10 mGy 档 9 次而非 10 次），论文如实披露（§4.2）。

Q40：数据集包含体模的 CAD/打印文件吗？
抓取范围内未见公开提供（遗留疑点），工艺详见 Bach et al. 2023 Med Phys（Q18）。

Q41：DL 重建序列能单独做算法对比吗？
可以但样本有限（仅 GE 两台，80 序列），适合定性对照而非大规模统计（§4.2）。

Q42：用它做域泛化研究公平吗？
公平且有基线——无协调基线是公开的，改进可量化（§7.5）。但需注意体模简化性对结论外推的限制。

Q43：为什么聚焦肝脏而非其他器官？
因为体模纸张衰减无法模拟含气组织（肺），而肝脏是实体器官、纹理丰富、ROI 清晰，最适合特征稳定性分析（§5.1）。

Q44：这个数据集会更新吗？
可能（V2）。维护触发点见附录 K，优先级最高的是期刊正式发表。

Q45：如果只读一节，读哪里？
读 §7——三层评测框架与基线结果。那是这个数据集真正的方法学干货，也是任何使用者复现或改进的起点。

附录 Q：13 台扫描仪两两图像级相似度矩阵（节选，arXiv Table 3-5）

图像级相似度以 10 mGy 协调协议、配准后、体模体积内计算。下表摘录厂商对角线附近的关键值，展示"同厂商更相似"的现象（对角线为本机自身，最高）。

对比	RMSE ↓	PSNR ↑	SSIM ↑	解读
同型号 Siemens Definition Edge（A1 vs G1）	低	高	高	同厂商同型号最相似
同厂商 Siemens（A1 vs A2 Flash）	低	高	0.985	同厂商跨型号仍相似
跨厂商 Siemens vs GE（A1 vs D1 Evo）	高	低	0.952	跨厂商差异放大
跨厂商 Siemens vs Toshiba（A1 vs H1 CXL）	高	低	0.941	跨厂商差异最大档
GE BrightSpeed vs Toshiba CXL	高	低	0.979	逐对波动
对角线（自比）	0	最高	0.992–0.996	参照上限

可读出的规律：SSIM 的跨厂商值多在 0.94–0.99（很高），但对角线自比为 0.992–0.996——差距看似不大，却是论文强调"全局指标不敏感"（§7.3 发现二）的直接证据。相对地，RMSE 对厂商差异更敏感（同厂商低、跨厂商高），是更锐利的图像级指标。

附录 R：特征稳定性与分类性能完整基线（arXiv Table 7）

特征类型	Mean ICC ↑	Mean CV（变异系数）↓	单扫描仪训练分类 ↑	12 扫描仪训练分类 ↑	备注
Radiomics（PyRadiomics）	0.990±0.121	0.920±0.027	0.986±0.024	0.997±0.001	稳定性最佳，方差也大
Shallow CNN	0.965±0.103	0.949±0.035	0.998±0.005	1.000±0.000	分类最佳
SwinUNETR	0.917±0.182	0.819±0.082	0.985±0.026	0.998±0.002	稳定性最弱、方差最大

读表要点：

1. 三种特征类型的分类准确率都 ≥0.985，印证"任务太简单"（§7.3 发现一）。
2. ICC 从 Radiomics（0.990）到 SwinUNETR（0.917）递减——手工特征在本体模上的稳定性优于深度表征。
3. "单扫描仪训练"与"12 扫描仪训练"的差距（尤其 SwinUNETR 0.985→0.998）量化了"训练集是否含相似扫描仪"带来的性能红利，这正是 LOSO 严格口径的价值。

附录 S：剂量效应完整趋势（arXiv Table 6，节选 4 台）

以 14 mGy 为参考，展示"剂量越低、指标越差"的单调趋势：

扫描仪	剂量	RMSE ↓	PSNR ↑	SSIM ↑
GE BrightSpeed	1 mGy	138.336	23.213	0.605
GE BrightSpeed	3 mGy	109.802	25.635	0.786
GE BrightSpeed	6 mGy	58.964	30.856	0.913
GE BrightSpeed	10 mGy	56.299	31.325	0.933
Philips Brilliance CT 64	1 mGy	130.541	23.706	0.476
Philips Brilliance CT 64	3 mGy	38.385	34.432	0.879
Philips Brilliance CT 64	6 mGy	31.945	35.944	0.917
Philips Brilliance CT 64	10 mGy	28.872	36.850	0.932
Toshiba Aquilion Prime SP	1 mGy	89.800	28.444	0.676
Toshiba Aquilion Prime SP	10 mGy	33.136	35.718	0.947
Siemens SOMATOM Definition Edge	1 mGy	39.140	34.239	0.896
Siemens SOMATOM Definition Edge	10 mGy	21.038	39.648	0.966

规律：1 mGy 档的 SSIM 可低至 0.476（Philips CT 64），而 10 mGy 档普遍达 0.93–0.97。极低剂量下图像质量崩塌，是协调方法最难的场景，也是低剂量 CT 协议研究的直接动机。

附录 T：体模 vs 真实数据的能力边界对照

能力	体模（本条目）	真实队列（如 nsclc-radiomics 247）
量化扫描仪效应	✅ 精确（生物学变异归零）	⚠️ 混杂生物学变异
模拟人体异质性	❌ 无	✅ 有
重复扫描可重复性	✅ 完全可重复	❌ 患者不可重复
临床任务真实度	❌ 简单（4 类近满分）	✅ 真实（生存/诊断）
含气组织（肺）	❌ 纸张衰减限制	✅ 有
结论外推到患者	⚠️ 需回验	✅ 直接
商用许可摩擦	✅ CC BY 4.0 无摩擦	⚠️ 多为受控/NC

结论：两者是"标定尺 ↔ 体检报告"的关系，回答不同问题，不可互替（§13.5）。

附录 U：本条目生产档案

• 生产通道：dispatcher 派发正选候选 ct4harmonization-multicentric，无备选、无改道。
• 存在性核验：TCIA 集合页实抓 + arXiv:2507.01539 全文（ar5iv 镜像）+ IDC 集合页，三源互证。
• 事实研究：WebSearch×1 + WebFetch×2（1 失败重试 1 次）+ ar5iv curl 分段抓取 5 次；网络预算内。
• FACTS.md：writing/ct4harmonization-multicentric/FACTS.md 九节。
• 成稿方式：六块直写拼接（part1-6），吸取"附录标题吞噬"教训，全程不用 Edit 追加。
• 坑点：§10 八则（坑 1-8"坑 N："编号制）。
• description：成稿时即 ≤170 字符。
• 互链计划：正文内链 headneck-radiomics(946)、nsclc-radiomics(247)、ct-org(796)、ct-rate(546)、abdomenct-1k(402)、ct-lesion-foundation-model(963)。

附录 V：缩写与数据集字段对照（TCIA 页面字段速查）

TCIA 字段	本条目值	说明
Collection	CT4Harmonization-Multicentric	集合名
DOI	10.7937/M0PB-BH69	数据引用 DOI
Location	Liver（Primary Site）	主研究器官
Species	Phantom	体模（非人体）
Subjects	1	1 具体模
Studies	1,378	与研究序列数口径一致
Series	2,756	与论文 1,378 口径差异（坑 2）
Images	467,224	总图像切片数
Modalities	CT, SEG	模态
Cancer Types	Hemangioma, Metastatic disease, Hepatic Cyst	体模模拟的病理形态标签
Size	252.38 GB	体量
License	CC BY 4.0	许可
Status	Complete	完成
Updated	2025/06/09	版本日期（坑 6）

---

事实清单（硬事实 40 条）

1. 官方名 CT4Harmonization-Multicentric，描述性全称 “A Multi-Centric Anthropomorphic 3D CT Phantom-Based Benchmark Dataset for Harmonization”。
2. DOI 10.7937/M0PB-BH69（TCIA Data Citation，同一 DOI 有大小写两种写法）。
3. 数据托管于 The Cancer Imaging Archive (TCIA)，另有 NCI Imaging Data Commons (IDC) 入口（collection_id=ct4harmonization_multicentric）。
4. 数据描述论文 arXiv:2507.01539（cs.CV，2025-07-02 提交 v1）。
5. Version 1 数据更新日期 2025-06-09（下载包 CT4Harmonization-Multicentric_V1_20250609.tcia）。
6. 总图像序列 1,378。
7. 主集合（10 mGy）序列数 268。
8. CT 扫描次数 649。
9. 扫描仪 13 台。
10. 厂商 4 家：Siemens（6 台）、Philips（2 台）、GE（3 台）、Toshiba（2 台）。
11. 机构 8 家瑞士中心（5 大学医院 + 1 州立医院 + 2 私立诊所）。
12. 体量 252.38 GB。
13. 模态 CT + SEG。
14. 许可 CC BY 4.0。
15. 数据编目 Subjects=1（指 1 具体模，Species=Phantom），无患者。
16. 剂量 5 档：1 / 3 / 6 / 10 / 14 mGy（CTDIvol）。
17. 重建算法：FBP 649 + IR 649 + DL 80 = 1,378 序列。
18. 每扫描仪每剂量重复 10 次；Toshiba Aquilion Prime SP 在 10 mGy 档 9 次（合计 649）。
19. 主研究剂量 10 mGy；剂量效应参考 volume 为最高剂量 14 mGy。
20. DL 重建仅见于 2 台 GE 扫描仪：D1（Revolution Evo，3 档，30 序列）、E2（Revolution Apex，5 档，50 序列）。
21. 体模为 3D 打印碘墨水纸基拟人体模，基于真人 CT 制作（Bach et al. 2023 Med Phys 详述）。
22. 体模含三腔室：胸部、肝脏、测试图案。
23. 肝脏含 6 个 ROI / 4 类组织：2 囊肿、1 转移灶、1 血管瘤、2 正常肝组织。
24. 肝脏 ROI 附真值分割掩码（SEG），可做 4 类组织分类与特征稳定性分析。
25. 论文明确不推荐用本数据集开发分割模型（任务太简单、多样性不足）。
26. 协调协议基于瑞士 9 家中心 21 台 CT 扫描仪的真实临床胸腹 CT 协议问卷推导。
27. 典型参数（Siemens SOMATOM Definition Edge）：120 kV、148 mAs、pitch 1.000、旋转 0.5 s、准直 38.4 mm、层厚/增量 2.0 mm、像素间距 1.367 mm。
28. DICOM 未做任何预处理，刻意保留空间偏移与体素间距差异。
29. 图像级评测指标：RMSE↓、PSNR↑、SSIM↑（配准后仅在体模体积内计算，忽略周围空气）。
30. SSIM 参数：L=3000 HU、K1=0.01、K2=0.03、C1=900 HU²、C2=8100 HU²。
31. 特征级指标：ICC(3,1)（组内相关系数，i=13 台扫描仪）。
32. 特征稳定性基线（10 mGy）：Radiomics ICC 0.990±0.121；Shallow CNN ICC 0.965±0.103；SwinUNETR ICC 0.917±0.182。
33. 特征稳定性基线的 Mean CV：Radiomics 0.920、Shallow CNN 0.949、SwinUNETR 0.819。
34. 组织分类基线（LOSO，单扫描仪训练）：Radiomics 0.986、Shallow CNN 0.998、SwinUNETR 0.985。
35. 组织分类基线（LOSO，12 扫描仪训练）：Radiomics 0.997、Shallow CNN 1.000、SwinUNETR 0.998。
36. 关键发现：无协调下图像仍按厂商明显聚类，但组织分类性能依然近满分 → 任务太简单。
37. 关键发现：全局相似度指标（SSIM 高）无法良好捕捉跨扫描仪差异 → 协调应聚焦目标组织/结构。
38. 关键发现：统一体素尺寸的简单重采样本身已是一种基础协调方法。
39. 剂量效应：剂量越低，RMSE 越高、PSNR/SSIM 越低（以 GE BrightSpeed 为例，1 mGy SSIM 0.605 → 10 mGy 0.933）。
40. 配套代码：QA4IQI（预处理/加载）、medgift/Harmonization-Dataset（配准/重采样）、mariamartinasiain/radiomics_phantom_dose_analysis（特征提取，MIT）。

---

术语表（32 条）

术语	释义
Phantom（体模）	用于替代人体进行扫描的物理模型；本数据集用 3D 打印碘墨水纸基拟人体模
Anthropomorphic phantom（拟人体模）	模仿人体解剖形态的体模
Harmonization（协调/标准化）	消除不同扫描仪/协议带来的非生物学差异，使多中心数据可比
Homogenization（同质化）	图像级协调的别称，指直接在图像上消除差异
Domain shift（域偏移）	训练分布与目标分布不一致导致的性能下降
Batch effect（批次效应）	采集批次/设备引入的系统性差异
Radiomics（影像组学）	从医学图像提取大量定量特征用于诊断/预后
Radiomic signature	由多个影像组学特征构成的预测模型
Feature stability（特征稳定性）	特征在重复采集/不同设备下的可复现程度
ICC（组内相关系数）	度量不同来源测量一致性的指标；ICC(3,1) 为本数据集所用
RMSE（均方根误差）	体素值差异的平方根均值，图像级一致性指标
PSNR（峰值信噪比）	近似噪声水平的图像质量指标
SSIM（结构相似性）	反映结构一致性的视觉质量指标
CTDIvol（容积 CT 剂量指数）	CT 辐射剂量标准度量，单位 mGy
FBP（滤波反投影）	传统 CT 重建算法
IR（迭代重建）	现代 CT 重建算法，降噪优于 FBP
DL reconstruction（深度学习重建）	基于神经网络的 CT 重建算法
Recon kernel（重建核）	决定图像锐度/噪声的重建参数
Soft tissue kernel（软组织核）	本数据集统一使用的重建核
ROI（感兴趣区）	图像中选定分析的区域；本数据集肝脏有 6 个
SEG（DICOM 分割对象）	DICOM 标准中的分割掩码模态
Ground truth mask（真值掩码）	用于评测的标注分割
LOSO CV（留一扫描仪交叉验证）	每次留一台扫描仪作测试，评估跨设备泛化
10-fold CV（十折交叉验证）	随机分十折的交叉验证，口径较宽松
PyRadiomics	最常用的开源影像组学特征提取工具（van Griethuysen 2017）
SwinUNETR	自监督预训练的 3D 医学图像 Transformer 编码器
Shallow CNN	浅层卷积神经网络特征提取器
DICOM	医学影像国际标准格式
TCIA	The Cancer Imaging Archive，NCI 支持的公开影像库
IDC	Imaging Data Commons，NCI 癌症研究数据云影像平台
QA4IQI	瑞士 SPHN 的"可互操作定量 CT 成像质量评估"项目
CC BY 4.0	Creative Commons 署名 4.0 许可，署名即可自由使用/商用/再分发

附录

附录 A：条目信息速查卡

项	值
条目名	CT4Harmonization-Multicentric
url_name	ct4harmonization-multicentric
类型	体模基准数据集（非疾病数据集）
DOI	10.7937/M0PB-BH69
论文	arXiv:2507.01539（2025-07-02）
团队	HES-SO Valais-Wallis + CHUV（通讯 Depeursinge）
规模	1,378 序列 / 649 扫描 / 13 扫描仪 / 4 厂商 / 8 中心 / 252.38 GB
许可	CC BY 4.0
抓取时点	2026-10-09
库内互链	headneck-radiomics(946)/nsclc-radiomics(247)/ct-org(796)/ct-rate(546)/abdomenct-1k(402)/ct-lesion-foundation-model(963)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	9	TCIA + IDC + arXiv + 多个 GitHub 仓，DOI 明确；少数风险是"CT4Harmonization"项目名与集合名易混（坑 1）
A 可获取性	9	CC BY 4.0 无门槛，TCIA 直链可用；扣分仅因需 Data Retriever 工具与 252 GB 体量
I 可互操作	8	DICOM 标准（CT+SEG）；但保留未处理变异需自行配准，无现成统一预处理版本
M 元数据质量	8	论文表格完备（Table 1-7）；序列计数（1,378/268/2,756）与作者数双口径微降分
S 可持续性	9	TCIA/NCI 国家级平台托管，多个 GitHub 代码仓，SPHN/SNSF 资助背景，长期可期
综合评级	8.6/10（高）	库内可获取性与许可清晰度顶尖档；体量门槛与文档小漂移为仅有的减分项

附录 C：逐项证据链自证

关键数字	来源	位置
1,378 序列 / 649 扫描 / 13 扫描仪 / 4 厂商 / 8 中心	TCIA 页摘要 + arXiv 摘要	三源一致
268 主集合序列	arXiv Table 2（10 mGy 列合计）	ar5iv 全文
252.38 GB	TCIA 集合页（Location/Size 字段）	TCIA 页
CC BY 4.0	TCIA 页 License 字段	TCIA 页
FBP 649 / IR 649 / DL 80	arXiv Table 2	ar5iv 全文
5 档剂量 1/3/6/10/14 mGy	arXiv 正文（CT Scans 段）	ar5iv 全文
采集参数 120kV/148mAs/…	arXiv 正文（Harmonized Acquisition Protocol）	ar5iv 全文
ICC 0.990/0.965/0.917	arXiv Table 7	ar5iv 全文
分类 0.986–1.000	arXiv Table 7	ar5iv 全文
剂量效应 RMSE/PSNR/SSIM	arXiv Table 6	ar5iv 全文
6 ROI / 4 类组织	arXiv 正文（Anthropomorphic Phantom）	ar5iv 全文
不推荐分割	arXiv 正文（Conclusion 段）	ar5iv 全文
代码仓链接	TCIA 页 External Resources	TCIA 页

附录 D：数据获取决策树

你需要什么？
├── 开发/评测 CT 协调算法
│   └── TCIA Data Retriever 下载 V1_20250609 → medgift/Harmonization-Dataset 配准 → 对标 Table 3-7 基线
├── 研究 radiomics 特征跨扫描仪稳定性
│   └── 本数据集 ICC 表 + headneck-radiomics(946)/nsclc-radiomics(247) 真实队列对照
├── 评测 CT 基础模型的域鲁棒性
│   └── 用 LOSO 协议作压力测试（loso 单扫描仪口径最严）
├── 复刻体模
│   └── 读 Bach et al. 2023 Med Phys（工艺）；联系团队索 CAD（未公开）
└── 需要疾病数据训练临床模型
    └── 本条目不适用 → 转 nsclc-radiomics(247)/ct-org(796) 等

附录 E：肝脏 ROI 类别映射

ROI	类别	英文	用途
1	囊肿	cyst	4 类分类之一
2	囊肿	cyst	4 类分类之一（第二枚）
3	转移灶	metastasis	4 类分类之一
4	血管瘤	hemangioma	4 类分类之一
5	正常肝组织	normal liver	4 类分类之一
6	正常肝组织	normal liver	4 类分类之一（第二处）

附录 F：三层评测协议骨架（伪代码）

# 图像级：配准后仅在体模体积内计算
def image_level(ref_series, test_series):
    test_reg = rigid_register(test_series, ref_series)   # ITK 刚性配准
    mask = phantom_volume_mask(ref_series)               # 排除周围空气
    return {
        "RMSE": rmse(ref_series[mask], test_reg[mask]),          # ↓
        "PSNR": psnr(ref_series[mask], test_reg[mask], L=3000),  # ↑
        "SSIM": ssim(ref_series[mask], test_reg[mask],
                     C1=900, C2=8100),                            # ↑
    }

# 特征级：跨 13 台扫描仪计算 ICC(3,1)
def feature_stability(features_by_scanner):
    # features_by_scanner: {scanner_id: [feature_vec, ...]}（在重建/重复上取平均）
    icc = icc_3_1(features_by_scanner, raters=13)  # (BMS-EMS)/(BMS+(i-1)EMS)
    return icc

# 任务级：肝脏 4 类组织分类
def tissue_classification(features, labels, split="LOSO"):
    # LOSO: 留一扫描仪；10-fold: 随机折
    return cross_val_accuracy(features, labels, scheme=split)

附录 G：与库内 radiomics 条目对照

维度	CT4Harmonization-Multicentric（本条目）	headneck-radiomics(946)	nsclc-radiomics(247)
对象	体模（无患者）	137 例头颈鳞癌	422 例 NSCLC
目的	机器变异标定	疾病预后建模	疾病预后建模
数据源	8 中心 13 扫描仪受控扫描	MAASTRO 临床队列	MAASTRO Lung1
与 Aerts 2014 关系	方法学标定支撑	H&N1 队列	Lung (Lung1) 队列
许可	CC BY 4.0（最宽松）	影像受控/临床 CC BY-NC	公开
读者用途	协调方法开发/评测	放疗 radiomics 研究	肺癌 radiomics 研究

附录 H：图像级相似度指标公式表

指标	公式	方向	语境
RMSE	√(1/K · Σ(Ir[k]−Is[k])²)	↓	K 为体素数，仅在体模体积内
PSNR	10·log10(max²(Ir,Is)/MSE)	↑	MSE=RMSE²
SSIM	(2μrμs+C1)(2covrs+C2) / ((μr²+μs²+C1)(σr²+σs²+C2))	↑	C1=900 HU², C2=8100 HU²
ICC(3,1)	(BMS−EMS)/(BMS+(i−1)·EMS)	↑	i=13 扫描仪

附录 I：双口径登记表

#	项	口径 A	口径 B	处理
1	序列计数	1,378（论文/摘要）	2,756（TCIA Series 字段）	按论文 1,378；TCIA 存照（疑含 SEG）
2	主集合序列	268（10 mGy，Table 2）	—	与总集 1,378 区分
3	作者数	18（TCIA Data Citation）	20/21（arXiv v1）	各源原样照录
4	版本日期	2025-06-09（Updated）	2025-05-07（digest xlsx）	以 Updated 2025-06-09 为准，存照
5	论文出处	arXiv:2507.01539	“under submission, 2025”（TCIA）	引 arXiv，期刊出处待定

附录 J：协调方法路线图（本数据集可支撑的研究方向）

层级	方法类别	代表文献	本数据集如何评测
图像级	生成式（GAN/canonical mapping）	Bashyam 2020; Marcadent 2020	RMSE/PSNR/SSIM 提升
图像级	风格迁移/解耦表征	Liu 2021; Liu 2022	目标组织上的 SSIM/任务性能
特征级	ComBat	Orlhac 2022	ICC 提升、跨扫描仪特征对齐
特征级	对抗/对比学习	Andrearczyk 2019; Wang 2020	特征空间聚类消除
任务级	域泛化/域适应	Guo 2022	LOSO 分类性能提升

附录 K：维护计划与触发点

触发点	条件	动作	优先级
期刊正式发表	数据描述论文见刊	更新 §2 时间线与出处	1
版本更新	TCIA 发布 V2	更新规模/日期/许可	2
第三方协调方法	新论文用本数据集评测	§7 基线表扩行	3
体模 CAD 公开	团队发布打印文件	§5/附录 D 增补	4
IDC 平台变更	collection_id 或入口变化	§6 获取路径更新	5

附录 L：检索路径示范（关键词组合）

目标	推荐查询式	预期命中
数据集本体	“CT4Harmonization-Multicentric” OR doi:10.7937/M0PB-BH69	TCIA 集合页
论文	“Multi-Centric Anthropomorphic 3D CT Phantom” arXiv	arXiv:2507.01539
协调算法文献	CT harmonization radiomics phantom multi-scanner	ComBat/GAN/域适应系列
体模工艺	3D-printed iodine-ink CT phantom radiomics	Bach et al. 2023 Med Phys
真实 radiomics 队列（对照）	NSCLC-Radiomics / HEAD-NECK-RADIOMICS-HN1	库内 rid 247 / 946
反例（勿用）	“CT4Harmonization”（作为单一数据集名）	项目统称，需加 -Multicentric（坑 1）

附录 M：引文规范

@misc{amirian2025ct4harmonization,
  title        = {A Multi-Centric Anthropomorphic 3D CT Phantom-Based
                  Benchmark Dataset for Harmonization},
  author       = {Amirian, Mohammadreza and Bach, Michael and
                  Jimenez-del-Toro, Oscar and Aberle, Christoph and
                  Schaer, Roger and Andrearczyk, Vincent and
                  Maestrati, Jean-F\'elix and Martin Asiain, Maria and
                  Flouris, Kyriakos and Obmann, Markus and Dromain, Clarisse and
                  Dufour, Beno\^it and Poletti, Pierre-Alexandre A. and
                  von Tengg-Kobligk, Hendrik and H\"ugli, Rolf and
                  Kretzschmar, Martin and Alkadhi, Hatem and Konukoglu, Ender and
                  M\"uller, Henning and Stieltjes, Bram and Depeursinge, Adrien},
  year         = {2025},
  eprint       = {2507.01539},
  archivePrefix= {arXiv},
  primaryClass = {cs.CV},
  doi          = {10.48550/arXiv.2507.01539}
}

@misc{ct4harmonization_tcia,
  title  = {A Multi-Centric Anthropomorphic 3D CT Phantom-Based Benchmark
            Dataset for Harmonization (CT4Harmonization-Multicentric)
            (Version 1) [Data set]},
  author = {Amirian, M. and Bach, M. and Jimenez del Toro, O. A. and others},
  year   = {2025},
  publisher = {The Cancer Imaging Archive},
  doi    = {10.7937/M0PB-BH69}
}

附录 N：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	DOI（数据集）+ arXiv（论文）
F2 富元数据	✅	TCIA/IDC 页 + 论文表格 + 代码仓
A1 可访问协议	✅	CC BY 4.0 + TCIA Data Retriever（无请求制）
A2 元数据可访问	✅	页面/论文/README 全开放
I1 互操作格式	✅	DICOM（CT+SEG）标准
I2 词汇表引用	✅	DICOM + radiomics 标准术语
R1 来源溯源	✅	TCIA Data Citation + 论文 + 代码
R3 可复现流程	✅	三 GitHub 仓 + 基线结果
AI-Ready 综合	高	可获取性与许可清晰度顶尖档

附录 O：缩写速查

缩写	全称
CT	Computed Tomography（计算机断层成像）
CTDIvol	Volume Computed Tomography Dose Index（容积 CT 剂量指数）
FBP	Filtered Back Projection（滤波反投影）
IR	Iterative Reconstruction（迭代重建）
DL	Deep Learning（深度学习重建）
ROI	Region of Interest（感兴趣区）
SEG	DICOM Segmentation Object（DICOM 分割对象）
ICC	Intraclass Correlation Coefficient（组内相关系数）
RMSE / PSNR / SSIM	均方根误差 / 峰值信噪比 / 结构相似性
LOSO	Leave-One-Scanner-Out（留一扫描仪交叉验证）
CV	Cross-Validation（交叉验证，本条目语境亦指 Coefficient of Variation）
TCIA	The Cancer Imaging Archive
IDC	Imaging Data Commons
SPHN	Swiss Personalized Health Network
QA4IQI	Quality Assessment for Interoperable Quantitative CT Imaging
SNSF	Swiss National Science Foundation
CC BY 4.0	Creative Commons Attribution 4.0

附录 P：基于本数据集的研究检查清单（12 项）

1. 用途核对：你是要开发协调方法（适用）还是要训练疾病模型（不适用）？
2. 口径声明：报告规模时注明是 1,378（总）还是 268（主集合），别用 2,756（坑 2）。
3. 许可署明：遵循 CC BY 4.0，引 TCIA Data Citation（DOI 10.7937/M0PB-BH69）。
4. 预处理自担：DICOM 未预处理（坑 7），自行配准/重采样，或直接用团队代码仓。
5. 分割边界：别用其训练分割模型（坑 4），掩码只作真值/定位。
6. 体模边界：无法模拟肺（纸张衰减，坑 8），肺研究需另寻数据。
7. 指标别单一：图像级三指标 + 特征级 ICC + 任务级同报，别只报 SSIM（§7.3）。
8. 任务难度警示：简单分类掩盖域偏移，报告时说明任务简单性（§7.3）。
9. LOSO 优先：跨扫描仪结论用 LOSO 口径，别只用宽松的 10-fold。
10. 基准对标：改进幅度应对标 Table 7 无协调基线，而非"零处理"。
11. 作者数照录：引用时按各源作者列表，避免合并矛盾（坑 5）。
12. 时点存照：数据版本（2025-06-09）与论文出处（arXiv）注明抓取/核验时点。

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-09（抓取与核验时点见附录 A）。事实陈述以 TCIA 集合页（doi:10.7937/M0PB-BH69）、arXiv:2507.01539 全文与 NCI IDC 集合页为第一手来源，三源互证核心规模数字一致。序列计数（1,378 vs 2,756）、作者数（18 vs 20/21）、版本日期（2025-06-09 vs 2025-05-07）等口径漂移已在坑点与附录 I 存照。CT4Harmonization-Multicentric 是本库内最典型的非疾病数据集——它以零患者换取对机器变异的精确归因，为库内 headneck-radiomics（rid 946）、nsclc-radiomics（rid 247）等真实 radiomics 疾病队列提供跨扫描仪特征稳定性的受控标定物。后续维护触发点见附录 K。

---

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：

• ctooth — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• 3dircadb — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• covid-ct-lung — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• tg3k — 共享标签：医学影像 / 医学图像分割 / 评测基准
• openpros — 共享标签：医学影像 / 医学图像分割 / 评测基准
• rexgrounding-ct — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• aortaseg-60 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• toothfairy2 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• curvas — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准
• toothfairy3 — 共享标签：医学影像 / CT / 医学图像分割 / 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。