信息速览

数据集名称DDTI — 甲状腺结节超声分割开放库 AI-Ready Wikipedia

数据类型637 张像素级标注超声图像,约 18.75 MB（Kaggle 镜像）,XML 多边形轮廓 + TI-RADS 字段,开放获取（免费）

规模约 99–400 例（口径不一，详见 §3.2）

接入方式Cim@Lab, Universidad Nacional de Colombia（哥伦比亚国立大学）& IDIME url: http://cimalab.intec.co/applications/thyroid/

AI 就绪度

DDTI — 甲状腺结节超声开放标注库 AI-Ready Wikipedia

INFOBOX


数据集名称	DDTI（Digital Database Thyroid Image）
英文全称	Digital Database of Thyroid Ultrasound Images
别名/简称	DDTI、Digital Database Thyroid Image、甲状腺超声 DDTI、DDTI Thyroid Ultrasound Images
疾病分类	甲状腺结节与甲状腺癌（ICD-11：2F71.Z 甲状腺恶性肿瘤 / 5A00.Z 甲状腺功能减退症相关结节 / 2F7Z 甲状腺其他特指疾病）
SNOMED CT	409583004 Thyroid ultrasound (procedure) / 237495003 Thyroid nodule (disorder) / 44794006 Thyroid cancer (disorder) / 309529002 Thyroiditis（详见 §2.1b）
数据模态	B-mode 二维灰阶超声图像 + XML 多边形轮廓标注 + 结构化病例元数据
AI 任务类型	甲状腺结节像素级分割、良恶性二分类、检测（包围框）、多任务分割-分类、迁移学习与域自适应基准
样本总数	637 张标注超声图像（OpenMedLab 口径）／最多 980 张图像（含多视角）的扩展口径，详见 §3.2
数据大小	约 18.75 MB（Kaggle 主镜像 Version 1，870 个文件）／约 26.04 MB（预处理镜像，1,274 个文件）
数据格式	JPG / PNG（图像）+ XML（多边形轮廓与病例字段）+ CSV（部分镜像的类别表）
许可证	Open access（原始项目页声明开放）；Kaggle 镜像标注为 Other（描述内说明），非标准许可证
访问级别	开放（无需注册、无需申请，直接下载）
DUO 标签	GRU, NPUNCU
语言	英文（标注字段）/ 西班牙文（部分原始报告字段）
首发日期	2015-01-28（SPIE Proceedings Vol. 9287 论文随库发布）
最后更新	2015（原始库发布后未发布正式新版本；社区镜像有微调）
发布机构	Cim@Lab（哥伦比亚国立大学医学院）& IDIME - Instituto de Diagnóstico Médico，波哥大
官方主页	http://cimalab.intec.co/applications/thyroid/
下载地址	https://www.kaggle.com/datasets/dasmehdixtr/ddti-thyroid-ultrasound-images
DOI	10.1117/12.2073532
引用次数	380+（Google Scholar，截至 2026-09）
AI 就绪度评分	⭐⭐（2/5）— 图像与标注原汁原味、社区认可度高，但无官方划分、标签需自行从 TI-RADS 推导、标注为 XML 多边形需转换，属"需格式转换"档
页面状态	published

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、TI-RADS 分级与良恶性归并规则、活检金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（XML 字段映射、掩膜生成路径）、§5 数据划分策略（多视角患者级泄漏）、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

审核方式：交叉审核

利益冲突声明：千方病案医数集与哥伦比亚国立大学 Cim@Lab、IDIME 及相关 Kaggle 镜像维护者无任何商业利益关联。本页面不销售 DDTI 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。DDTI 在原始项目页声明为面向科学社区的开放资源，但社区镜像页将许可证标注为 “Other (specified in description)”，即非标准许可证；商业用途与二次分发前请邮件联系原始作者确认授权。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ DDTI 是一份 2015 年发布的小型甲状腺超声图像库。它把放射科医生在真实阅片时画在超声图上的病灶轮廓保存了下来——不是简单的"良性/恶性"两行标签，而是用 XML 文件记录下的一个个多边形顶点坐标，把结节的边界一圈圈勾出来。全库公开、免费、无需申请，下载解压后就是一堆 JPG 图像配 XML 标注。它的价值不在于"大"，而在于它是把"甲状腺结节到底长什么样、边界在哪里"这件事以像素级精度固定下来的最早几份开放数据之一。[1]

为什么重要？ 甲状腺结节在成人中极其常见，超声是首选检查手段，但超声图像的判读高度依赖操作者经验，且受斑点噪声干扰严重。要训练一个能自动勾出结节边界的模型，第一步就需要"标准答案"——而这类标注需要放射科医师逐帧手绘，成本极高，因此公开的标注库长期稀缺。DDTI 提供了这样一批带专家轮廓的样本，并且是少数把良恶性诊断与活检病理确认一并记录的小库。它因此成为甲状腺分割领域最常用的入门基线之一，几乎每篇甲状腺结节分割论文都会在它上面报一个 Dice 数值。[2]

我能用它做什么？ 最典型的用法是训练和评测结节分割模型（UNet、DeepLabV3+、nnU-Net、TransUNet 等），或者做"分割加分类"的多任务实验。由于它足够小，也常被当作迁移学习的目标域或跨数据集泛化的测试集——在 TN3K 上训练的模型拿到 DDTI 上测一测，就能看出模型是否只记住了某台设备的成像风格。需要提醒的是：它没有官方划分，良恶性标签要从 TI-RADS 分级按规则推导，且同一病例可能有多张视角图，划分时若按图像随机切分会造成患者级泄漏。[3]

§1.1 摘要

DDTI 由哥伦比亚国立大学医学院 Cim@Lab 实验室联合波哥大的 IDIME（Instituto de Diagnóstico Médico）于 2015 年建立，原始论文《An open access thyroid ultrasound image database》收录于 SPIE Proceedings 第 9287 卷。论文的动机直白：当时计算机辅助诊断（CAD）系统层出不穷，但各自在不同私有数据集上评测，性能彼此不可比，因此亟需一份基准数据库。DDTI 的回应是发布一批 B-mode 甲状腺超声图像，附放射科专家对可疑病灶的完整标注与诊断描述，覆盖甲状腺炎、囊性结节、腺瘤与甲状腺癌等类型，病灶轮廓以 XML 多边形坐标形式给出，恶性诊断经活检确认。[1]

与后续出现的 TN3K、TN5000 等大规模数据集相比，DDTI 的体量很小。它被广泛引用的规模数字是 637 张带像素级标注的图像，但不同文献记录的总量从 298、299、390、400、475、480 到 980 不等，差异源于发布批次演化、多视角图像的计数方式、以及各研究自行清洗剔除的范围。这种"口径分裂"本身就是 DDTI 最需要使用者警惕的特征：在使用前必须明确自己拿到的是哪一版、包含多少有效图像-掩膜对。[4] [5]

数据本身以图像加 XML 的形式分发：每例对应一个 XML 文件，内含患者年龄、性别、结节的成分（composition）、回声特性（echogenicity）、边缘（margins）、钙化（calcifications）、TI-RADS 分级、细针穿刺报告（reportbacaf）与超声报告（reporteco），以及记录病灶轮廓的自由手绘点列（svg points）。这意味着 DDTI 同时承载分割与分类两类监督信号，但两者都需要使用者自行转换与推导。

§1.2 战略价值

维度一：小样本医学图像分割的标准试金石。 DDTI 的规模恰好卡在"太小以至于难以从头训练、又足够真实以至于不能忽略"的位置。正因如此，它长期充当着分割架构的入门验证集：一个新提出的注意力模块、一个新的 Transformer 变体，往往先在 DDTI 上跑一遍确认可行，再上大规模数据。相关论文报告的内部验证 Dice 从 U-Net 的约 71.8 到 HFA-UNet 的约 85.2 分布，跨度接近 14 个百分点，这个跨度更多反映的是划分随机性、预处理强度与是否引入外部预训练，而非架构本身的绝对优劣。对方法学研究者而言，把 DDTI 当作"快速证伪"工具是合理的；把它当作最终排名依据则非常危险。[6]

维度二：跨设备与跨中心泛化的诊断器。 DDTI 的采集设备记录明确为 TOSHIBA Nemio 30 与 Nemio MX 两款型号，来源中心为哥伦比亚的一家影像诊断机构，人群与设备谱系都相对集中。当研究者在 TN3K（南方医科大学珠江医院，GE/Hitachi/Mindray 三款设备）上训练模型后，DDTI 就成为一个天然的"域外"测试集：RTS-Net 论文正是这样使用的，其报告的 DDTI 数值（U-Net Dice 仅 59.74、SegNet 65.19）显著低于 DDTI 内部验证的常见水平，直观暴露了模型对成像域变化的脆弱性。这种"同任务、异域"的对照能力，是 DDTI 在大数据集时代仍被持续引用的核心原因。[3] [7]

维度三：教学与可解释性研究的低门槛载体。 由于数据量小、标注字段完整（回声、边缘、钙化逐项记录），DDTI 非常适合用于验证"模型是否学到了有临床意义的特征"。例如可以检查注意力热图是否落在低回声区或微钙化点上——这类可解释性分析在数万张规模的数据集上代价高昂，在 DDTI 上则可以快速迭代。同时，XML 中保留的 TI-RADS 分级为研究"从形态学特征到恶性风险分层"提供了现成的中间监督。

§1.3 同类数据集横向对比

数据集	规模	模态	标注类型	官方划分	差异化定位
DDTI	637 张（主口径）	B-mode 超声	像素级 XML 多边形 + TI-RADS 字段 + 活检确认	无	规模最小但元数据字段最全、唯一附带完整超声特征描述
TN3K	3,493 张（2,421 例）	B-mode 超声	像素级掩膜	有（2,303/576/614）	规模大、设备多样性好，是 DDTI 的主要替代与互补
TN5000	5,000+ 量级	B-mode 超声	分割 + 检测包围框 + 分类	有	同时支持检测与分类，标签体系更现代
Stanford AIMI Thyroid	与 DDTI 不同源	B-mode 超声	分割标注	有	托管于 Stanford AIMI，非 TCIA，常被误与 DDTI 混提
BUSI	780 张（600 例）	乳腺超声	分割掩膜 + 三类标签	无	同为超声分割小库，常与 DDTI 一起做多源迁移实验

说明：表中 TN3K、TN5000、Stanford AIMI Thyroid、BUSI 的数字来自上引文献中的对照描述，具体版本以各自官方页面为准。[5] [8] [9]

§1.4 版本时间轴

时间	事件	说明
2015-01-28	原始库与 SPIE 论文发布	《An open access thyroid ultrasound image database》收录于 SPIE Vol. 9287，数据集随文开放
2015 起	Cim@Lab 项目页按月补充病例	官方描述提到每月上传新病例及其信息，形成多批次口径
2019–2023	社区 Kaggle 镜像扩散	dasmehdixtr/ddti-thyroid-ultrasound-images 成为事实上的主下载入口，浏览量 5.3 万+
2023	重组织版本发布	Ultrasound in Medicine and Biology 论文人工重裁并统一至 512×512，得 652 张"Re-organized DDTI"
2024–2025	持续作为 SOTA 基准被引用	HFA-UNet、RTS-Net、MAE-Transformer 等论文持续在 DDTI 上报数

§1.5 典型应用场景

结节分割模型开发与消融：在 DDTI 上快速验证 U-Net 变体、注意力模块、Transformer 编码器的有效性。
跨数据集域自适应：以 DDTI 为源域或目标域，研究不同厂商超声设备间的特征迁移。
分割-分类多任务学习：同时利用像素级轮廓与 TI-RADS 标签，训练共享编码器的多任务网络。
可解释性与特征归因：检验模型关注区域是否与临床认定的可疑特征（低回声、微钙化、边缘不规则）一致。
医学影像教学与原型系统：作为 CAD 教学案例，演示从 XML 标注到模型输出的完整链路。

§2 医学背景

§2.1 ICD-11 编码映射

标签	ICD-11 编码	中文名	说明
甲状腺恶性肿瘤	2F71.Z	甲状腺恶性肿瘤，未特指	数据集恶性类对应的主要编码，含乳头状癌等
甲状腺结节	5A00.Z	甲状腺功能减退症，未特指	结节本身多编码于形态学章节，此处以功能相关编码辅助定位
甲状腺炎	4A03	自身免疫性甲状腺炎	原始论文明确收录甲状腺炎病例
甲状腺囊性结节	2F7Z	甲状腺其他特指疾病	对应论文中的 cystic nodules
甲状腺良性肿瘤	2F72.Z	甲状腺良性肿瘤，未特指	对应腺瘤（adenomas）一类

ICD-11 编码用于人群与疾病谱定位；DDTI 的原始标签体系并非 ICD 编码，而是 TI-RADS 分级。实际建模时须先经 §2.3 的归并规则把 TI-RADS 转成良恶性二分类标签。

§2.1b SNOMED CT 映射

标签	ICD-11	SNOMED CT 码	术语
甲状腺超声检查	—	409583004	Thyroid ultrasound (procedure)
甲状腺结节	2F7Z	237495003	Thyroid nodule (disorder)
甲状腺癌	2F71.Z	44794006	Thyroid cancer (disorder)
甲状腺炎	4A03	309529002	Thyroiditis (disorder)
细针穿刺活检	—	27442006	Fine needle aspiration biopsy (procedure)

§2.2 疾病简介与流行病学

甲状腺疾病是最常见的内分泌系统疾病，其中甲状腺癌是发病率上升最快的恶性肿瘤之一。原始论文援引美国癌症协会数据指出，仅 2014 年美国就预计新增约 62,980 例甲状腺癌、1,890 例相关死亡；成人中可触及甲状腺结节的比例约 67%，其中约 10% 为恶性。甲状腺结节绝大多数为良性且无症状，少数恶性者需及时评估，因此如何在大量良性结节中准确识别出恶性个案，是临床的核心难题。[2]

B-mode 超声是甲状腺结节检出与评估的首选手段，因其成本低、无电离辐射、可实时成像。但超声判读存在两个固有困难：一是斑点噪声（speckle noise）与低组织对比度会模糊结节边界；二是图像质量高度依赖操作者的扫描手法与经验，导致观察者间差异显著。此外，超声征象与恶性风险的关联并非绝对——低回声、实性成分、钙化提示风险升高，但同一结节常呈现混合回声模式，使判读复杂化。为规范报告，学界提出甲状腺影像报告与数据系统（TI-RADS），将结节按可疑特征数量分层，DDTI 正是采用这一体系进行标注的。

§2.3 临床任务定义

筛查（screening）：在无症状人群中检出结节。DDTI 并非筛查队列，其结节检出率标称为 100%，因此不可用于估计自然人群患病率。

诊断（diagnosis）：判定结节良恶性。DDTI 的常规做法是把 TI-RADS 1/2/3 归为良性、4a/4b/4c/5 归为恶性，并与活检病理结果对齐。[10]

分级（grading/risk stratification）：直接预测 TI-RADS 等级。DDTI 的 XML 中保留原始 TI-RADS 字段，可直接做七分类或有序回归。

分割（segmentation）：勾画结节边界，是后续体积测量、特征提取与随访比较的前提，也是 DDTI 最主要的任务形态。

预后（prognosis）：DDTI 不含随访与生存信息，不支持预后任务。

§2.4 患者人群

维度	记录情况
来源	哥伦比亚波哥大 IDIME 影像诊断机构的就诊人群
时间	约 2015 年前后采集并发布
年龄	XML 含 age 字段，逐例记录，但大量样本该字段为空
性别	XML 含 sex 字段；文献记载某子集为 270 女、29 男，女性显著占多数（与甲状腺病变真实性别分布一致）
种族	未记录
就医类型	临床诊断性检查（含因可疑结节转诊者），非筛查人群

注：性别构成数字来自 Springer《类不平衡处理》论文对某个 DDTI 子集的描述（298 张、270 女 29 男），与主口径 637 张不完全对应，引用时需注明子集来源。[11]

§2.5 临床价值

DDTI 的临床价值主要集中在方法学层面而非临床决策层面。其一，它为 CAD 系统提供了可复现的评测基准，使不同算法第一次能够在同一批图像上比较，直接回应了原始论文提出"性能不可比"的痛点。其二，它把专家阅片时的形态学判断（成分、回声、边缘、钙化）连同轮廓一起固化为结构化字段，为研究"哪些影像特征真正驱动恶性判断"提供了素材。其三，由于数据规模小、无患者隐私风险，它可作为教学工具帮助年轻放射科医师理解 TI-RADS 各档的典型表现。

需要明确的是，DDTI 不能直接支撑临床部署：样本量小、单中心、单厂商设备，任何在它上面表现优异的模型都必须经过多中心外部验证与监管审批才能进入临床。

§2.6 金标准与标注性质

任务	划分口径	标注方式	标注者	性质
结节分割	无官方划分	自由手绘（freehand）多边形点列存于 XML	放射科专家（文献记载 3 位医师独立标注）	人工逐帧轮廓，掩膜一致性 Dice 平均 0.92，分歧经共识会议解决
良恶性分类	由 TI-RADS 派生	TI-RADS 等级字段	放射科专家（TI-RADS 由经验丰富的医师评定）	恶性诊断经活检病理确认
超声特征	无	composition / echogenicity / margins / calcifications 字段	放射科专家	半定量定性描述，未做一致性统计

标注协议的两点关键事实：轮廓为 XML 多边形坐标而非现成二值掩膜，使用者必须自行转换；良恶性标签不是独立列，而是从 TI-RADS 分级经归并规则推导，不同论文采用的归并口径不一致，这是导致样本数分歧的主因。[5] [10]

§3 数据集规格

§3.0 版本抉择矩阵

你的需求	推荐版本	大小	理由
快速上手分割基线、跑通 Pipeline	Kaggle 镜像 dasmehdixtr（原始 JPG + XML）	约 18.75 MB	保留原始 XML 字段（含 TI-RADS），可自行决定良恶性归并规则；文件最全（870 个）
只做分割、不要预处理开销	Kaggle 镜像 eiraoi/thyroidultrasound（p_image + p_mask）	约 26.04 MB	已配好图像-掩膜对，1,274 个文件，省去 XML 解析；但已含随机旋转翻转增强，且许可标注 Unknown
需要统一尺寸、干净背景	已重组织的 512×512 版本	视版本而定	人工重裁去黑边、单病例单图，得 652 张；适合直接输入固定尺寸网络
跨数据集泛化研究	原始 JPG + XML	约 18.75 MB	保持原始成像特征（黑边、标记、设备叠加文字），才能真实模拟域偏移

三条口径并存是 DDTI 的常态。若你的目标是复现某篇论文，请务必使用该论文指定的版本与清洗规则，否则 Dice 差异可能完全来自数据而非方法。[4] [12] [13]

§3.1 模态详情

成像模态：B-mode 二维灰阶超声，甲状腺浅表器官成像。
设备：TOSHIBA Nemio 30 与 TOSHIBA Nemio MX 两种型号（OpenMedLab 元数据记作单一设备，其他文献记为两款，本文并列说明）。[14]
探头：文献记载为线阵探头，频率范围 6–15 MHz。[5]
分辨率：原始分辨率记载不一——560×360（多篇论文）、540×480（PeerJ）、按宽度统计 min 245 / median 280 / max 560（OpenMedLab）。差异源于是否含设备叠加边栏是否裁剪。[9]
色彩：灰度单通道为主，部分图像可能为三通道但实际无彩色信息。
伪影：斑点噪声（speckle）、设备叠加文字与测量标记、黑色边框，是 DDTI 最典型的图像层面特征。

§3.2 按子集样本数（多口径对照）

口径来源	图像数	病例数	良恶性构成	备注
OpenMedLab 元数据	637	未记录	未按良恶性拆分	检出率标称 100%，单类别分割任务
PeerJ EffiViT3+	980（清洗后 635 有效对）	未记录	322 恶性 / 658 良性	质量控制剔除缺失 XML、掩膜不一致、严重伪影
PMC 多级迁移学习	980	未记录	322 恶性 / 658 良性	训练 750 / 验证 83 / 测试 147
arXiv 多源对抗迁移	未记录	390	91 正常 / 52 良性 / 247 恶性	部分单例含多视角图像
PolyU Technologies	480（清洗后 339）	400	—	JPG 格式，560×360
UMB 重组织论文	475（重组织后 652）	未记录	—	人工重裁至 512×512，新增 177 张
Springer 类不平衡论文	298	未记录	270 女 / 29 男	疑似某一批次子集
中文《声学技术》	未记录	299	—	五折交叉验证
Kaggle 主镜像描述	134	99	—	描述可能仅描述早期批次

结论：DDTI 的"规模"不是一个确定数字，而是一个随批次与清洗规则变化的区间。本文正文采用 637 作为主口径（因为它是 OpenMedLab 与多数引用采用的通用数字），并在所有涉及样本量的论述处标注来源口径。[4] [11] [15]

§3.3 格式表

内容	格式	说明
超声图像	JPG（原始镜像）/ PNG（预处理镜像）	JPG 为原始分发格式，PNG 多见于社区预处理版
病灶轮廓	XML 内的 svg points（JSON 点列字符串）	自由手绘多边形，需转换为二值掩膜
病例元数据	XML 字段	number/age/sex/composition/echogenicity/margins/calcifications/tirads/reportbacaf/reporteco
类别表	CSV（category.csv、train.csv）	见于 OpenMedLab 所述目录结构，含图像与类别映射

§3.4 存储大小

Kaggle 主镜像（dasmehdixtr）：约 18.75 MB，870 个文件，含 1.xml 示例与全部图像。
Kaggle 预处理镜像（eiraoi）：约 26.04 MB，1,274 个文件（p_image 637 + p_mask 637）。
解压后磁盘占用通常不足 100 MB，可在任何笔记本上完整加载进内存。

§3.5 标注方式

属于人工专家标注。轮廓由放射科专家在超声图像上自由手绘（freehand），以多边形顶点坐标序列记录于 XML；TI-RADS 分级、回声、边缘、钙化等字段由专家逐例评定；恶性诊断经活检病理确认。不涉及自动标注或弱监督。[1] [2]

§3.6 标注者资质与一致性

文献记载为 3 位放射科医师独立标注，掩膜之间以 Dice 衡量的一致性平均达 0.92，残余分歧通过专家共识会议解决。这一一致性水平在超声分割任务中属于较高水准，说明轮廓标注质量可靠。但需注意，0.92 是对标注者之间一致性的度量，不等于任一标注相对"真值"的准确度——超声结节边界本身存在主观模糊区，所谓真值实为共识产物。[5]

§3.7 采集周期

原始库于 2015 年发布，官方描述称每月补充新病例，因此不同批次下载得到的内容可能不同。2015 年之后无正式新版发布记录。

§3.8 地域覆盖

单中心，哥伦比亚波哥大（IDIME 影像诊断机构）。无多国、多种族覆盖。

§3.9 设备规格

项目	记录
设备型号	TOSHIBA Nemio 30、TOSHIBA Nemio MX
探头	线阵探头
频率	6–15 MHz
原始分辨率	560×360（多数记载）/ 540×480（PeerJ 记载）
采集模式	B-mode 二维灰阶

设备记录相对完整是 DDTI 的优点，但仅两款同厂设备意味着设备多样性不足，模型容易过拟合到特定成像风格。

§3.10 深度溯源链

临床采集（IDIME 影像诊断机构，Bogotá）
  └─ 设备：TOSHIBA Nemio 30 / Nemio MX，线阵探头 6–15 MHz
      └─ 放射科专家逐例标注
          ├─ 自由手绘病灶轮廓 → XML svg points（多边形点列）
          ├─ TI-RADS 分级 + 超声特征字段（composition/echogenicity/margins/calcifications）
          ├─ 细针穿刺报告（reportbacaf）
          └─ 恶性病例活检病理确认
              └─ Cim@Lab（Universidad Nacional de Colombia）整理发布
                  └─ SPIE Proceedings Vol. 9287 论文随库发布（DOI 10.1117/12.2073532）
                      ├─ 原始分发：cimalab.intec.co 项目页
                      └─ 社区镜像：Kaggle dasmehdixtr / eiraoi 等多个版本
                          └─ 下游论文各自的清洗与重裁剪版本（512×512 重组织版等）

§4 数据结构详解

§4.0 目录树

以 OpenMedLab 记录的官方分发结构为准：

DDTI/
├── 1_or_data/                        # 原始数据
│   ├── category.csv                  # 图像与类别映射表
│   ├── image/                        # 超声图像
│   │   ├── 0000.PNG
│   │   ├── 0001.PNG
│   │   └── ...                       # 共 637 张（主口径）
│   └── mask/                         # 分割掩膜
│       ├── 0000.PNG
│       ├── 0001.PNG
│       └── ...
└── 2_preprocessed_data/              # 官方预处理数据
    ├── readme.txt
    ├── stage1/
    ├── stage2/
    └── train.csv

以 Kaggle 主镜像（dasmehdixtr）的分发结构为准（保留原始 XML）：

ddti-thyroid-ultrasound-images/
├── 1.xml                             # 单例示例：含完整 XML 字段
├── 10.xml
├── 100.xml
├── 100_1.jpg                         # 每例一张或多张图像（多视角）
├── 101.xml
├── 101_1.jpg
├── 106_1.jpg 106_2.jpg 106_3.jpg 106_4.jpg   # 同例多帧
└── ...                               # 共 870 个文件

两类结构的关键差异在于：官方结构把轮廓烘进 PNG 掩膜，Kaggle 结构保留 XML 点列。前者省事但丢失 TI-RADS 字段，后者完整但需自行解析。[4] [16]

§4.1 DAIMS 字段字典（XML 病例表）

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
number	Integer	病例编号（主键）	1、10、106	划分与去重主键	无	无（必有）	≥1
age	Integer	患者年龄	45	人群描述、公平性分层	可能为估算值	空标签 `<age></age>`	未标称
sex	Text	患者性别	F / M	公平性分析、亚组评估	无	空标签 `<sex></sex>`	未标称
composition	Text	结节成分（囊性/实性/混合）	solid	良恶性分类特征	观察者主观判定	空标签	定性类别
echogenicity	Text	回声特性	hypoechoic	恶性风险关键特征	受增益设置影响	空标签	低/等/高回声
margins	Text	边缘特征	ill-defined	恶性风险关键特征	观察者主观判定	空标签	定性类别
calcifications	Text	钙化情况	microcalcification	恶性风险关键特征	微钙化检出敏感度不稳定	空标签	无/粗大/微钙化
tirads	Text	TI-RADS 分级	4a	派生良恶性标签的唯一依据	分级标准版本差异	空标签	1/2/3/4a/4b/4c/5
reportbacaf	Text	细针穿刺报告	benign	病理金标准核对	取样误差	空标签	定性结论
reporteco	Text	超声报告	描述性文本	辅助文本理解	表述不规范	空标签	自由文本
svg.points	Text(JSON)	病灶轮廓多边形点列	`[{"x":385,"y":182},...]`	生成分割掩膜	手绘误差、坐标系缩放	空标签（无轮廓）	像素坐标
regionType	Text	标注区域类型	freehand	区分手绘与矩形框	无	无	freehand

字段名与示例取自 Kaggle 镜像公开的 1.xml 样例。[16]

§4.2 标签分布

口径	良性	恶性	正常	合计
arXiv 多源对抗迁移（病例级）	52	247	91	390
PMC 多级迁移学习（图像级）	658	322	—	980
多通道 CNN（按 TIRADS 归并后选取）	66	382	—	448
PolyU（清洗后，TIRADS 归并）	类别 2/3 归良性	类别 4a/4b/4c/5 归恶性	—	339

关键观察：同一数据集在"良性:恶性"比例上从 52:247（约 1:4.8）到 658:322（约 2:1）不等，方向完全相反。差异不是数据本身矛盾，而是源自三件事：（1）是否把 TIRADS 1/2/3 中的哪几档计入良性；（2）是否剔除"正常"类；（3）是否在清洗中剔除大量无轮廓的良性病例。任何"DDTI 类别不平衡严重"或"DDTI 类别基本平衡"的论断，都必须绑定具体口径才成立。[3] [9] [10]

对分割任务而言，真正的类别不平衡发生在像素级：结节区域仅占图像面积的约 5%–15%，结节与背景像素比约为 1:6 至 1:20。这意味着即使用 Dice 作为主指标，也需要关注小目标被吞没的问题。[11]

§4.3 关键统计

统计项	数值	来源口径
图像总数	637（主口径）/ 980（扩展口径）	OpenMedLab / PeerJ
标注检出率	100%（每张图均有结节标注）	OpenMedLab
掩膜一致性（标注者间 Dice）	平均 0.92	PeerJ
结节区域占图像面积比	约 5%–15%	Springer
像素级不平衡比	约 1:6 至 1:20	Springer
结节体积统计（min/median/max）	997 / 10,076 / 61,575（单位标称 cm³，疑为像素数）	OpenMedLab
图像宽度统计（min/median/max）	245 / 280 / 560 像素	OpenMedLab
病例数	99 / 298 / 299 / 390 / 400（口径不一）	Kaggle / Springer / 声学技术 / arXiv / PolyU

结节体积字段的"cm³"单位存疑：以 560×360 像素的图像而言，61,575 cm³（约 61 升）显然不可能，实际更可能是像素面积。引用该字段时务必注明单位可疑。[4]

§4.4 数据层级

病例（case，XML 文件，number 为主键）
  └─ 图像（一张或多张视角图，命名如 106_1.jpg、106_2.jpg、106_3.jpg）
      └─ 每张图像中的结节轮廓（svg points 多边形，可能不止一个）
          └─ 轮廓内像素 → 二值掩膜（正类）

这是 DDTI 最容易被忽视的结构特征：图像不是独立样本，病例才是。"一例多图"的存在意味着图像级随机划分会把同一患者的其他视角图放进测试集，造成泄漏。此外，个别图像含两个结节，属于单图多目标情形。

§4.5 缺失值与信息性缺失

字段	缺失形态	是否信息性	处理建议
tirads	`<tirads></tirads>` 空标签	部分是——无分级可能因图像质量不足或未见明确可疑特征	无法从分级派生标签时必须剔除该样本，不可默认归为良性
age / sex	空标签	否（随机缺失为主）	人群统计时按可用样本报告，勿插补后用于分层
composition 等形态字段	空标签	部分是——未见异常可能不填写	用作模型输入前先统计缺失率，缺失率高则该特征不可用
svg.points	缺失或点列不完整	是——可能表示标注未完成	必须剔除，否则掩膜为空或错位
图像本身	文件缺失或损坏	否	配对完整性检查后剔除

缺失值在 DDTI 中以空 XML 标签形式出现，而非统一的 NA 编码。解析时必须区分"标签存在但为空"与"标签根本不存在"两种情况——前者是已标注但无内容，后者可能是解析错误或版本差异。

§5 数据划分与使用建议

§5.1 官方划分

不存在。原始论文与官方项目页均未发布 train/validation/test 划分，也未发布固定的评测脚本或挑战赛。这是 DDTI 作为基准最大的结构性缺陷。

§5.2 社区惯例划分

由于无官方划分，各论文自行约定，常见做法包括：

论文	划分方式	训练/验证/测试
PMC 多级迁移学习	分层随机，85:15 后再 90:10	750 / 83 / 147
中文《声学技术》	五折交叉验证，折内 85:15	80% 训练 / 20% 测试
arXiv 多源对抗迁移	目标域 8:1:1	80% / 10% / 10%
RTS-Net	采用 TN3K 训练、DDTI 全量测试	跨数据集泛化测试

各方案差异巨大，且多数未明确说明是否按病例而非按图像划分。复现某论文时请使用其原文划分，或至少固定随机种子与病例级分组。[7] [9]

§5.3 泄漏风险（重点）

DDTI 存在四类具体泄漏模式：

一例多图泄漏：编号如 106_1、106_2、106_3、106_4 属同一病例。按图像随机划分时，同一患者的多个视角会同时进入训练与测试集，模型可能记住了该患者的结节形态而非学到通用特征，导致测试 Dice 虚高。这是 DDTI 最严重的泄漏形式，因为文件名前缀本身就暴露了病例归属。[16]
预处理镜像的增强泄漏：eiraoi 镜像的 p_image / p_mask 中已包含随机旋转与翻转后的图像，若在该版本上再随机划分，同一原图的增强副本可能跨折出现。应先在原始图像层面划分，再做增强。[12]
跨论文测试集重叠：许多论文在 DDTI 上报告结果但未公开划分，导致后续论文无意中把已被反复调参的图像当作"测试集"，形成隐性过拟合。引用 DDTI 数字时应默认其存在乐观偏差。
TI-RADS 派生标签的泄漏：若把 composition/echogenicity/margins/calcifications 等字段作为输入特征来预测恶恶性，而这些字段本身参与 TI-RADS 分级（即标签来源），则构成标签泄漏，AUC 会异常偏高。用图像做输入时无此问题，用字段做输入时必须剔除这些字段。

§5.4 划分策略建议

推荐按病例级分组划分，而非图像级：

import re
import numpy as np
from sklearn.model_selection import GroupShuffleSplit

# 假设 filenames 形如 "106_1.jpg"，病例 ID 为下划线前的部分
def case_id(filename: str) -> str:
    """从文件名提取病例 ID；无下划线则整个文件名即病例 ID。"""
    stem = filename.rsplit('.', 1)[0]
    return stem.split('_')[0]

filenames = [...]  # 按确定性顺序排列的文件名列表
groups = np.array([case_id(f) for f in filenames])

gss = GroupShuffleSplit(n_splits=1, test_size=0.20, random_state=42)
train_idx, test_idx = next(gss.split(filenames, groups=groups))

# 确认病例不跨界
assert not (set(groups[train_idx]) & set(groups[test_idx])), "病例级泄漏"

小样本场景下建议改用 5 折病例级交叉验证并在论文中报告折间标准差，而不是单次划分——单次划分下 Dice 波动可达数个点，足以掩盖真实的架构差异。

§5.5 交叉验证建议

折数：5 折（DDTI 规模小，10 折会导致验证折过小，指标不稳）。
分组：按病例 ID 分组（GroupKFold），保证同例图像不跨折。
分层：若同时做良恶性分类，按标签分层（StratifiedGroupKFold）。
报告：均值 ± 标准差，并公开折划分文件或种子。

§5.6 外部验证建议

DDTI 上的结果不具备临床外推性，推荐的外部验证路径：

TN3K：同为甲状腺超声分割，规模大、设备多，是检验泛化性的首选对照。[5]
TN5000：在规模与任务维度上更新，可检验检测与分类任务的可迁移性。[8]
Stanford AIMI Thyroid：不同来源的甲状腺超声数据，用于检验中心间差异。[17]
自建多中心队列：最终验证必须落到与目标部署场景一致的机构数据。

注意 DDTI 常被与 TCIA 关联讨论，但 DDTI 本身并不托管于 TCIA；TCIA 生态中的甲状腺相关资源与 DDTI 不同源。

§6 AI 就绪指南

§6.0 云端快速启动

DDTI 体量不足 30 MB，无需 GPU 集群即可完成全流程验证。最快路径是在 Kaggle 上直接打开镜像 Notebook：

# 在 Kaggle Notebook 中把镜像挂载到 /kaggle/input 后即可直接读取
# 镜像：dasmehdixtr/ddti-thyroid-ultrasound-images
import glob
xmls = sorted(glob.glob('/kaggle/input/ddti-thyroid-ultrasound-images/*.xml'))
imgs = sorted(glob.glob('/kaggle/input/ddti-thyroid-ultrasound-images/*.jpg'))
print(f'XML 标注数：{len(xmls)}，图像数：{len(imgs)}')
# 首次运行会看到 XML 数约为图像数的 1/4 左右（镜像内含处理产物与示例），
# 实际配对关系请以文件名前缀为准

若使用 Google Colab，可先下载 Kaggle 数据再上传，或通过 Kaggle API 拉取：

pip install kaggle
kaggle datasets download -d dasmehdixtr/ddti-thyroid-ultrasound-images -p ./data
unzip ./data/ddti-thyroid-ultrasound-images.zip -d ./data/ddti

§6.1 快速上手

目录结构预期：本节的代码假定数据已整理为如下布局（由 §6.3 的转换脚本生成）：

data_root/                      # 例如 ./data/ddti
├── images/                     # 从 *_1.jpg 等重命名后的图像
│   ├── 0001.png
│   └── ...
├── masks/                      # 由 XML 转换得到的二值掩膜
│   ├── 0001.png
│   └── ...
└── meta.csv                    # 病例级元数据（含 tirads 与派生 label）

data_root 拼接关系：image_path = os.path.join(data_root, 'images', f'{case}.png')，mask_path 同理。CSV 中的 case 列为主键，与文件名一一对应。

最小可用子集：若只想验证 Pipeline 是否跑通，取 meta.csv 前 50 行即可——DDTI 规模足够小，50 张图能在 CPU 上于数十秒内完成一个 epoch，足以确认数据加载、掩膜对齐、损失反传三条链路无错。

§6.2 数据获取

来源	链接	大小	许可	是否需要申请
Kaggle 主镜像（原始 JPG + XML）	https://www.kaggle.com/datasets/dasmehdixtr/ddti-thyroid-ultrasound-images	约 18.75 MB	Other（描述内说明）	否，需 Kaggle 账号
Kaggle 预处理镜像（p_image + p_mask）	https://www.kaggle.com/datasets/eiraoi/thyroidultrasound/data	约 26.04 MB	Unknown	否，需 Kaggle 账号
官方项目页（原始来源）	http://cimalab.intec.co/applications/thyroid/	未标称	Open access	否，直接下载

# 方式一：Kaggle CLI（推荐，稳定）
pip install kaggle
# 需在 ~/.kaggle/kaggle.json 配置 API Token
kaggle datasets download -d dasmehdixtr/ddti-thyroid-ultrasound-images -p ./raw && \
  unzip -q ./raw/ddti-thyroid-ultrasound-images.zip -d ./raw/ddti

# 方式二：官方项目页直接下载（若站点可达）
# 注意：该站点为哥伦比亚国立大学的实验性页面，可用性不保证
curl -L -o ddti_official.zip "http://cimalab.intec.co/applications/thyroid/"

合规提示：第三方 Kaggle 镜像的许可证标注为非标准值（Other / Unknown）。若用于商业产品或再分发，建议先通过原论文通讯作者确认授权；学术研究与教学用途风险较低，但仍应保留出处引用。

§6.3 预处理全流程

DDTI 的预处理核心是把 XML 多边形转换为掩膜，并清理超声图像固有噪声与叠加文字。以下脚本可直接运行。

"""
DDTI 预处理：XML → 二值掩膜，去黑边，去叠加文字，统一尺寸。
输入：raw/ddti/ 下的 *.xml 与 *.jpg
输出：data_root/images、data_root/masks、data_root/meta.csv
"""
import json
import os
import re
import xml.etree.ElementTree as ET

import cv2
import numpy as np
import pandas as pd

RAW_DIR = 'raw/ddti'
DATA_ROOT = 'data/ddti'
IMG_SIZE = 256
os.makedirs(f'{DATA_ROOT}/images', exist_ok=True)
os.makedirs(f'{DATA_ROOT}/masks', exist_ok=True)


def parse_case_xml(xml_path: str) -> dict:
    """解析单例 XML，返回元数据与轮廓点列表。"""
    tree = ET.parse(xml_path)
    root = tree.getroot()

    def txt(tag: str) -> str:
        node = root.find(tag)
        return (node.text or '').strip() if node is not None else ''

    marks = []
    for mark in root.findall('mark'):
        img_node = mark.find('image')
        svg_node = mark.find('svg')
        if img_node is None or svg_node is None:
            continue
        try:
            polygons = json.loads(svg_node.text)  # 自由手绘多边形点列
        except (json.JSONDecodeError, TypeError):
            continue
        for poly in polygons:
            pts = poly.get('points', [])
            if len(pts) >= 3:
                marks.append((img_node.text.strip(), pts))

    return {
        'number': txt('number'),
        'age': txt('age'),
        'sex': txt('sex'),
        'composition': txt('composition'),
        'echogenicity': txt('echogenicity'),
        'margins': txt('margins'),
        'calcifications': txt('calcifications'),
        'tirads': txt('tirads'),
        'reportbacaf': txt('reportbacaf'),
        'marks': marks,
    }


def tirads_to_label(tirads: str):
    """TI-RADS → 良恶性。1/2/3 良性，4a/4b/4c/5 恶性；空值返回 None。"""
    t = tirads.strip().lower()
    if t in {'1', '2', '3'}:
        return 0
    if t in {'4a', '4b', '4c', '5'}:
        return 1
    return None


def crop_black_border(img: np.ndarray, thresh: int = 12) -> np.ndarray:
    """裁掉超声图四周的黑边与无效背景。"""
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) if img.ndim == 3 else img
    ys, xs = np.where(gray > thresh)
    if len(xs) == 0:
        return img
    y0, y1, x0, x1 = ys.min(), ys.max(), xs.min(), xs.max()
    return img[y0:y1 + 1, x0:x1 + 1]


def polygon_to_mask(points, src_shape, dst_size):
    """把 XML 多边形点列栅格化为二值掩膜。

    关键：点列坐标系与图像像素坐标系一致（左上为原点），
    若自行缩放图像，必须同步缩放点坐标，否则掩膜错位。
    """
    h, w = src_shape[:2]
    mask = np.zeros((h, w), dtype=np.uint8)
    pts = np.array([[int(p['x']), int(p['y'])] for p in points], dtype=np.int32)
    cv2.fillPoly(mask, [pts], 1)
    return cv2.resize(mask, (dst_size, dst_size), interpolation=cv2.INTER_NEAREST)


records = []
for xml_file in sorted(os.listdir(RAW_DIR)):
    if not xml_file.endswith('.xml'):
        continue
    case = parse_case_xml(os.path.join(RAW_DIR, xml_file))
    case_id = case['number'] or os.path.splitext(xml_file)[0]
    label = tirads_to_label(case['tirads'])

    for view_idx, (img_name, points) in enumerate(case['marks']):
        img_path = os.path.join(RAW_DIR, img_name if img_name.endswith('.jpg')
                                else f'{img_name}.jpg')
        if not os.path.exists(img_path):
            continue
        img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
        if img is None:
            continue  # 损坏文件，剔除

        mask = polygon_to_mask(points, img.shape, IMG_SIZE)
        if mask.sum() == 0:
            continue  # 空掩膜说明标注不完整，剔除

        img = crop_black_border(img)                    # 去黑边
        img = cv2.resize(img, (IMG_SIZE, IMG_SIZE), interpolation=cv2.INTER_AREA)
        img = cv2.medianBlur(img, 3)                    # 轻度抑噪，保留边界

        out_name = f'{case_id}_{view_idx}'
        cv2.imwrite(f'{DATA_ROOT}/images/{out_name}.png', img)
        cv2.imwrite(f'{DATA_ROOT}/masks/{out_name}.png', mask * 255)

        records.append({
            'image_id': out_name,
            'case_id': case_id,                          # 病例级分组键
            'age': case['age'],
            'sex': case['sex'],
            'composition': case['composition'],
            'echogenicity': case['echogenicity'],
            'margins': case['margins'],
            'calcifications': case['calcifications'],
            'tirads': case['tirads'],
            'label': label,                              # 0 良性 / 1 恶性 / None 未知
            'nodule_area_ratio': float(mask.sum()) / (IMG_SIZE * IMG_SIZE),
        })

pd.DataFrame(records).to_csv(f'{DATA_ROOT}/meta.csv', index=False)
print(f'完成：{len(records)} 条图像-掩膜对写入 {DATA_ROOT}')

流程要点：

XML → 掩膜的坐标系一致性：polygon_to_mask 先在原图坐标系上栅格化，再随图像一起缩放，避免先缩放图像后缩放点导致的错位。
去黑边：超声图四周常有纯黑区域，直接缩放会把有效内容压小，crop_black_border 先裁后缩。
叠加文字：DDTI 部分图像带设备叠加的测量文字与标记。轻量做法是用 medianBlur 与局部区域置零；严谨做法是参考 UMB 论文提出的标记 inpainting 方法，把标记区域修复为周边纹理。[13]
数据增强放在划分之后：见 §6.6。

§6.4 PyTorch DataLoader

"""DDTI 分割 Dataset + 病例级划分 + DataLoader，可直接运行。"""
import os

import cv2
import numpy as np
import pandas as pd
import torch
from sklearn.model_selection import GroupShuffleSplit
from torch.utils.data import DataLoader, Dataset


class DDTISegDataset(Dataset):
    """返回 (image[1,H,W] float32, mask[1,H,W] float32)。"""

    def __init__(self, meta: pd.DataFrame, data_root: str, transform=None):
        self.meta = meta.reset_index(drop=True)
        self.data_root = data_root
        self.transform = transform

    def __len__(self) -> int:
        return len(self.meta)

    def __getitem__(self, idx: int):
        row = self.meta.iloc[idx]
        img = cv2.imread(
            os.path.join(self.data_root, 'images', f"{row['image_id']}.png"),
            cv2.IMREAD_GRAYSCALE,
        )
        mask = cv2.imread(
            os.path.join(self.data_root, 'masks', f"{row['image_id']}.png"),
            cv2.IMREAD_GRAYSCALE,
        )
        if img is None or mask is None:
            raise FileNotFoundError(f"缺失样本：{row['image_id']}")

        img = img.astype(np.float32) / 255.0
        mask = (mask > 127).astype(np.float32)

        if self.transform is not None:
            # 图像与掩膜必须同步做几何变换
            augmented = self.transform(image=img, mask=mask)
            img, mask = augmented['image'], augmented['mask']

        img = torch.from_numpy(img).unsqueeze(0)     # (1,H,W)
        mask = torch.from_numpy(mask).unsqueeze(0)   # (1,H,W)
        return img, mask


meta = pd.read_csv('data/ddti/meta.csv')

# —— 病例级划分：保证同一病例的图像不跨训练/测试 ——
gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(gss.split(meta, groups=meta['case_id']))

train_meta = meta.iloc[train_idx]
test_meta = meta.iloc[test_idx]
assert not (set(train_meta['case_id']) & set(test_meta['case_id'])), '发生病例级泄漏'

# 训练集内部再切一份验证集（同样按病例分组）
gss_val = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=7)
tr_idx, val_idx = next(gss_val.split(train_meta, groups=train_meta['case_id']))

train_ds = DDTISegDataset(train_meta.iloc[tr_idx], 'data/ddti')
val_ds = DDTISegDataset(train_meta.iloc[val_idx], 'data/ddti')
test_ds = DDTISegDataset(test_meta, 'data/ddti')

train_loader = DataLoader(train_ds, batch_size=8, shuffle=True,
                          num_workers=2, pin_memory=True, drop_last=False)
val_loader = DataLoader(val_ds, batch_size=8, shuffle=False, num_workers=2)
test_loader = DataLoader(test_ds, batch_size=8, shuffle=False, num_workers=2)

images, masks = next(iter(train_loader))
print(images.shape, masks.shape, masks.dtype)   # torch.Size([8,1,256,256]) torch.Size([8,1,256,256]) torch.float32

关于 DataLoader 的三个具体建议：

batch_size=8 对小数据集是折中值：DDTI 训练样本仅数百张，更大 batch 会让一个 epoch 的更新步数过少。
num_workers=2 足够，因为图像已预处理为 256×256，I/O 不是瓶颈。
不要在 __init__ 里读取并缓存全部图像到内存后再返回引用；直接在 __getitem__ 读盘更简单，且在小数据下无性能问题。

§6.5 坑点 8 个

⚠️ 坑点 1：XML 多边形不是掩膜——坐标系与缩放顺序搞错就全盘错位（分类：预处理陷阱）

问题：DDTI 的轮廓存为 XML 里的自由手绘点列（像素坐标），不是现成的二值掩膜。若先把图像缩放到 256×256、再按原始像素坐标在缩放后画布上 fillPoly，掩膜会整体偏移并缩小到错误位置；若只对图像做裁剪（去黑边）而不同步裁剪点坐标，错位同样发生。
症状：可视化时掩膜明显偏向左上或覆盖到背景；训练损失异常快速下降到接近 0；测试 Dice 却极低（如低于 0.3）；模型预测出的"结节"总在同一角落。
解决：

简单方法：始终"先在与原图一致的坐标系里栅格化掩膜，再让掩膜与图像一起做同一次缩放"。本文 §6.3 的 polygon_to_mask 即按此实现——cv2.fillPoly 用原图尺寸，之后 cv2.resize 到目标尺寸。

进阶方法：把几何操作统一交给 albumentations，同一 transform(image=..., mask=...) 同时作用于图像与掩膜，从机制上杜绝不同步。若必须手动裁剪，则点坐标要减去裁剪原点 (x0, y0)。

SOTA 方法：在训练前做一次全量对齐自检——对每对图像-掩膜计算掩膜外接框内图像的平均梯度，若显著低于掩膜内部，说明错位；将不合格样本剔除或修正后再训练。
参考：https://arxiv.org/pdf/2305.19069.pdf （该文明确说明"XML 标签必须转换为掩膜后才能使用"）

⚠️ 坑点 2：一例多图造成患者级数据泄漏（分类：数据泄漏）

问题：DDTI 中同一病例常有多张不同视角的超声图，文件命名形如 106_1.jpg、106_2.jpg、106_3.jpg、106_4.jpg。若按图像随机划分，同一患者的多个视角会同时落入训练与测试集，模型只需记住该患者的结节形态即可在测试集上取得高分。
症状：测试 Dice 明显高于外部数据集上的表现（例如内部 0.85、TN3K 上仅 0.65）；换一个随机种子后指标剧烈波动（±5 个点以上）；病例数远少于图像数却从未被讨论。
解决：

简单方法：从文件名下划线前的部分抽取病例 ID，用 GroupShuffleSplit(groups=case_id) 划分，并在划分后 assert 两组病例集合无交集。

进阶方法：改用 StratifiedGroupKFold，在病例级分组的同时保持良恶性比例；5 折交叉验证并报告均值 ± 标准差。

SOTA 方法：在论文中公开折划分 JSON（病例 ID 列表）或固定随机种子与划分脚本，使结果可被第三方复现与审计；若使用社区预处理镜像（已含增强副本），必须在原始图像层面完成划分后再做增强。
参考：https://arxiv.org/pdf/2305.19069.pdf

⚠️ 坑点 3：TI-RADS 归并口径不统一，良恶性样本数差出三倍（分类：标签理解）

问题：DDTI 出厂不含 label 列，良恶性必须从 tirads 字段推导。不同论文采用的规则不同：有的把 1/2/3 归良性、4a/4b/4c/5 归恶性；有的剔除"正常"类；有的只保留有明确分级者。结果是同一数据集被报告为 66:382（良性:恶性）、52:247、658:322 等截然不同的分布，甚至良恶比例方向相反。
症状：无法复现某论文的类别分布；按论文 A 的规则算出的阳性率与论文 B 差出数倍；模型输出的"恶性概率"整体偏移，阈值无法跨论文复用；AUC 高但敏感度/特异度混乱。
解决：

简单方法：先解析全部 XML 的 tirads 字段，统计各档计数与空值数，把分布写进实验记录，再确定归并规则。

进阶方法：固定采用指南口径（I/II/III 类归良性，IVa/IVb/IVc/V 类归恶性），并把无法归类的样本（空 tirads）标记为 label=None 从监督学习中剔除，而不是默认归为良性。

SOTA 方法：同时报告两种口径下的结果（三分类：良性/不确定/恶性与二分类：良/恶），并明确说明阈值选择依据；做风险分层任务时保留原始七档 TI-RADS 做有序回归，不做硬归并。
参考：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8782508/?tool=EBI

⚠️ 坑点 4：黑边、叠加文字与设备标记被当成解剖结构学进去（分类：预处理陷阱）

问题：DDTI 原始图像四周常有纯黑边框，图上还叠加了设备生成的测量文字、刻度与标记（marker）。这些像素与结节边界无因果关系，但具有高度一致的局部纹理，网络极易把它们当作捷径特征。
症状：模型在含标记的图像上预测异常自信；热力图高亮出现在图像角落的文字区而非结节；把某张有标记的图旋转或裁掉标记后，Dice 骤降；跨设备测试时性能崩溃。
解决：

简单方法：用 crop_black_border 裁掉黑边，并对图像边缘固定区域做置零或 medianBlur 抑制文字。

进阶方法：参考 UMB 论文提出的标记掩膜 inpainting（MMI）方法——先检测标记区域，再用周边纹理修复该区域，使图像既无标记又无空洞。

SOTA 方法：在训练时对标记区域做随机化增强（随机擦除、随机亮度抖动），迫使模型不依赖该类纹理；同时把"标记区域是否被高亮"纳入模型审计指标。
参考：https://www.umbjournal.org/article/S0301-5629(23)00406-4/fulltext

⚠️ 坑点 5：部分图像含两个结节或两个超声病例（分类：标签理解）

问题：UMB 论文明确指出，DDTI 中"一些图像实际上包含两个甲状腺超声病例"，且背景信息过多；另有图像在单帧内包含两个结节。若按"单结节单掩膜"的假设处理，会出现多个轮廓只能保留一个、或两个结节被合并成一个掩膜的情况。
症状：fillPoly 时只画了第一个多边形，第二个结节在掩膜中消失，被当作假阴性训练；或两结节间被连通区域填满，掩膜变成一大块；标签与图像内容不一致导致模型学不准边界。
解决：

简单方法：解析 XML 时保留 mark 下的全部多边形（而非只取第一个），用 fillPoly 逐个填充到同一掩膜，天然支持多目标。

进阶方法：对含两个独立超声病例的图像，先按内容切分或整图剔除——UMB 论文的重组织版本即人工重裁为"每图仅一个超声病例"并统一到 512×512，得 652 张。

SOTA 方法：把"单图多结节"显式建模为多实例任务，掩膜输出改为实例分割（如 Mask R-CNN 的逐实例掩膜），而不是语义二值掩膜。
参考：https://www.umbjournal.org/article/S0301-5629(23)00406-4/fulltext

⚠️ 坑点 6：缺失 XML、空掩膜与损坏文件静默污染训练集（分类：工程陷阱）

问题：原始分发中存在缺失 XML 的图像、点列不完整（少于 3 个点）的标注、以及无法读取的损坏文件。PeerJ 论文的质量控制环节正是因剔除缺失 XML、掩膜不一致与严重伪影帧，才从大量图像中保留到 635 组有效图像-掩膜对；用默认脚本 imread 失败会返回 None，随即在后续计算中抛出难以定位的异常。
症状：训练中途报 AttributeError: 'NoneType' object has no attribute 'astype'；损失中出现 NaN；某些样本的掩膜全黑，但被计入 Dice 导致指标被稀释；不同次下载得到的数据条数不一致。
解决：

简单方法：在预处理里对每一步做显式检查——cv2.imread 返回 None 即跳过、点列少于 3 个即跳过、mask.sum() == 0 即跳过，最后打印"清洗前后样本数"对照。

进阶方法：生成一份数据完整性报告（每个病例的图像数、掩膜面积占比、文件大小），把异常样本单独列出人工复核，而非静默剔除。

SOTA 方法：把预处理写成带断言的幂等脚本并纳入版本控制，固定输出条数与文件哈希；在论文中明确报告"从 N 张到 M 张"的清洗漏斗，使结果可复现。
参考：https://peerj.com/articles/cs-3568/

⚠️ 坑点 7：把形态学字段当输入预测良恶性，构成标签泄漏（分类：数据泄漏）

问题：DDTI 的 XML 中记录 composition、echogenicity、margins、calcifications 与 tirads。而 TI-RADS 分级恰恰是由这些形态学特征按规则推导出来的。如果用这些字段作为特征去预测由 TI-RADS 派生的良恶性标签，等于用答案预测答案。
症状：用字段做输入的分类器 AUC 轻松超过 0.95，远超同一数据上用图像训练的模型（约 0.85–0.90）；换到真实部署场景（只有图像可用）时性能崩塌；特征重要性排名完全由 tirads 或某个与其强相关的字段主导。
解决：

简单方法：图像分类任务只用像素输入，tirads 仅用于生成标签，其余形态字段一律不作为特征。

进阶方法：若研究目标是"从形态学特征预测恶性风险"，则必须把 tirads 完全排除，并把任务定义为"验证 TI-RADS 规则与病理的一致性"，在论文中明确区分输入与标签的生成路径。

SOTA 方法：构建多模态模型时，把形态字段作为中间监督（辅助任务）而非输入特征，用多任务学习让图像编码器去预测这些字段，再汇聚到恶性判断。
参考：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8782508/?tool=EBI

⚠️ 坑点 8：跨论文报告的 DDTI Dice 数字不可直接比较（分类：评估误用）

问题：DDTI 无官方划分与官方评测脚本，各论文自行划分、自行清洗、自行决定是否使用外部预训练。同一架构在不同论文中报告的 Dice 可相差 10 个点以上——例如 U-Net 在 Front Neurosci 的表中为 Dice 84.17，在 HFA-UNet 的表中为 71.82，在 RTS-Net 的跨数据集设置中仅 59.74。这三个数字描述的是三个不同实验，而非三个 U-Net。
症状：把不同论文的 Dice 直接排成排行榜，得出"某模型比另一模型强 5 个点"的结论；复现论文 A 的方法却在 DDTI 上得不到论文 A 的数字；模型选型依据建立在不可比的数值上。
解决：

简单方法：只比较同一篇论文内、同一划分下的模型数字；跨论文比较时需同时核对划分比例、清洗规则、是否 ImageNet/外部数据预训练、输入分辨率四项。

进阶方法：建立自己的本地基准——固定病例级 5 折划分与固定预处理脚本，把待比较的方法全部在本地重跑，只报告本地数字。

SOTA 方法：优先报告相对指标与统计检验（折间均值 ± 标准差、配对 t 检验或 Wilcoxon），并公开划分与代码；在 DDTI 这类小数据集上，单次运行的差异常常不具统计显著性。
参考：https://pmc.ncbi.nlm.nih.gov/articles/PMC9475170/table/T2/ 与 https://www.sciencedirect.com/science/article/pii/s0950705125012869

§6.6 数据增强（安全 ✅ / 危险 ❌）

增强操作	判定	理由
水平翻转	✅ 安全	甲状腺左右叶在切面上无固定方向语义，翻转不改变结节性质
小角度旋转（±15°）	✅ 安全	探头角度本就可变，轻微旋转符合真实采集变异
亮度/对比度抖动	✅ 安全	直接模拟不同增益设置，且有助于抵抗设备差异
缩放与随机裁剪	✅ 安全	模拟不同深度与放大倍率，但裁剪需与掩膜同步
高斯噪声 / 斑点噪声注入	✅ 安全	与超声固有斑点噪声统计特性一致，提升鲁棒性
弹性形变	⚠️ 谨慎	过度形变会破坏结节边界的临床判读意义，建议小幅
垂直翻转（上下颠倒）	❌ 危险	超声切面有明确的深浅方向（探头贴皮侧为浅），翻转后解剖语义错误
大角度旋转（>45°）	❌ 危险	破坏探头接触面方向约定，模型学到错误的解剖先验
随机擦除覆盖结节区域	❌ 危险	可能把结节整块抹掉而掩膜仍标注为正类，制造标签噪声
只在训练集做几何增强、验证/测试集也做	❌ 危险	测试时增强会改变评测分布，导致指标不可比
MixUp / CutMix（掩膜任务）	❌ 危险	两图线性混合后掩膜无明确定义，分割监督信号被破坏

关键约束：所有几何增强必须在病例级划分完成之后，仅对训练折执行；验证与测试集只做确定性的 resize 与归一化。若使用已含增强的社区镜像（p_image 含随机旋转翻转），务必先按原始图像划分再取对应增强副本，否则同源增强会跨折泄漏。

§6.7 模型推荐

模型	适用场景	在 DDTI 上的参考水平	备注
U-Net	基线，必跑	Dice 约 72–84（随划分与设置变化）	小数据集上的强基线，参数量小、易训练
nnU-Net	无需调参的自适应基线	Dice 约 88.6	自动配置预处理与架构，是当前最稳健的开箱方案
DeepLabV3+	需要更强上下文建模	Dice 约 74–87.7	不同论文差异大，主要受划分与输入尺寸影响
TransUNet	探索 Transformer 编码器	Dice 约 74.4–74.8	小样本下优势不明显，需外部预训练
Swin-Unet / VM-UNet	纯 Transformer 路线	Dice 约 74.6–79.9	参数量大，小数据上易过拟合
HFA-UNet	追求 DDTI 内部验证高分	Dice 约 85.2	2025 年报告的内部验证较优结果
两阶段级联	精度优先、算力充足	Dice 约 93.7	两阶段级联在 Front Neurosci 表中取得最高值

选型建议：先跑 nnU-Net 建立可信基线，再尝试改进架构；由于数据集小，架构带来的差异往往小于划分与预处理带来的差异，不要把全部精力放在换模型上。[7] [6]

§6.8 硬件需求

场景	显存	硬件建议	单次训练时长量级
跑通 Pipeline（50 张，CPU）	0	任意笔记本	数十秒 / epoch
U-Net 256×256，batch 8	4 GB 起	GTX 1650 / T4 及以上	数秒 / epoch
nnU-Net 全流程（含自动配置）	8–12 GB	RTX 3060 / T4	分钟级 / 折
Transformer 类（Swin-Unet、VM-UNet）	12–16 GB	RTX 3090 / A5000	分钟级 / epoch
五折交叉验证全流程	同上	单卡即可	总时长以小时计

由于 DDTI 规模极小，显存与算力不是瓶颈，划分方案与预处理质量才是。文献中常见配置为单张 GTX 1080 Ti 或 RTX 2080 Ti。[3] [15]

§6.9 评估指标代码

"""DDTI 分割评估：Dice、IoU、HD95、敏感度、特异度。"""
import numpy as np
import torch


def dice_coef(pred: torch.Tensor, target: torch.Tensor, eps: float = 1e-6) -> float:
    """二值 Dice。pred 应为已阈值化或概率张量，形状 (N,1,H,W)。"""
    pred = (pred > 0.5).float()
    target = (target > 0.5).float()
    inter = (pred * target).sum(dim=(1, 2, 3))
    union = pred.sum(dim=(1, 2, 3)) + target.sum(dim=(1, 2, 3))
    return ((2 * inter + eps) / (union + eps)).mean().item()


def iou_coef(pred: torch.Tensor, target: torch.Tensor, eps: float = 1e-6) -> float:
    pred = (pred > 0.5).float()
    target = (target > 0.5).float()
    inter = (pred * target).sum(dim=(1, 2, 3))
    union = pred.sum(dim=(1, 2, 3)) + target.sum(dim=(1, 2, 3)) - inter
    return ((inter + eps) / (union + eps)).mean().item()


def hd95(pred: np.ndarray, target: np.ndarray) -> float:
    """95% 豪斯多夫距离（像素）。需 scipy。空掩膜返回 nan。"""
    from scipy.ndimage import binary_erosion, distance_transform_edt

    if pred.sum() == 0 or target.sum() == 0:
        return float('nan')

    def surface(x: np.ndarray) -> np.ndarray:
        return x ^ binary_erosion(x)

    dt_target = distance_transform_edt(~surface(target))
    dt_pred = distance_transform_edt(~surface(pred))
    d1 = dt_target[surface(pred)]
    d2 = dt_pred[surface(target)]
    return float(np.percentile(np.concatenate([d1, d2]), 95))


def pixel_sensitivity_specificity(pred: torch.Tensor, target: torch.Tensor):
    """像素级敏感度与特异度——小目标任务必须与 Dice 一起报告。"""
    pred = (pred > 0.5).flatten()
    target = (target > 0.5).flatten()
    tp = (pred & target).sum().item()
    fn = (~pred & target).sum().item()
    tn = (~pred & ~target).sum().item()
    fp = (pred & ~target).sum().item()
    sens = tp / (tp + fn + 1e-6)
    spec = tn / (tn + fp + 1e-6)
    return sens, spec


if __name__ == '__main__':
    torch.manual_seed(0)
    pred = torch.rand(4, 1, 64, 64)
    target = (torch.rand(4, 1, 64, 64) > 0.85).float()
    print(f'Dice={dice_coef(pred, target):.4f} IoU={iou_coef(pred, target):.4f}')
    print(f'HD95={hd95((pred[0,0]>0.5).numpy(), target[0,0].numpy()):.2f}')
    s, sp = pixel_sensitivity_specificity(pred, target)
    print(f'敏感度={s:.4f} 特异度={sp:.4f}')

指标使用提醒：DDTI 的像素级类别比约 1:6 至 1:20，Dice 对多数类占优的预测有相当的容忍度。建议同时报告 HD95（边界误差）与像素级敏感度、特异度；仅报 Dice 会掩盖边界模糊与小结节漏检问题。此外，报 Dice 时必须说明是否在空掩膜样本上跳过（本代码返回 nan），不同处理方式会造成指标差异。

§6.10 MLOps 笔记

版本锁定：DDTI 存在多批次与多镜像，请记录下载日期与文件哈希（如 sha256sum 输出），否则数据条数可能变化。
划分固化：把折划分的病例 ID 列表存成 JSON 并纳入版本控制，是保证结果可比的最低成本手段。
实验追踪：MLflow / Weights & Biases 中除超参外，务必记录"数据版本 + 划分版本 + 清洗脚本版本"三项，DDTI 的结果差异大多来自这三项而非超参。
模型审计：周期性可视化预测掩膜与注意力热图，重点检查是否高亮在图像边缘的文字或黑边区域（§6.5 坑点 4）。
可复现性清单：随机种子（Python / NumPy / PyTorch / CUDA）、划分种子、增强种子三者分别记录，不要用同一个种子。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解措施
单中心偏倚	全部数据来自哥伦比亚波哥大一家影像机构	高	跨中心外部验证（TN3K、TN5000、自建队列）
设备偏倚	仅 TOSHIBA Nemio 30 与 Nemio MX 两款同厂设备	高	跨设备测试；使用时报告设备来源
患病率偏倚	就诊人群中结节检出率标称 100%，远高于筛查人群	高	不可用于患病率估计；阳性预测值不可外推
标注者偏倚	轮廓为少数专家共识产物，隐含其判读风格	中	报告标注者间 Dice（0.92）作为不确定性上界
性别构成偏倚	女性占绝大多数（如 270:29）	中	男性样本过少，男性亚组性能不可信
年龄信息缺失	XML 中 age 字段大量为空	中	不做年龄分层分析
规模偏倚	数百张图像，模型易过拟合，指标波动大	高	病例级交叉验证 + 报告折间标准差
语言与字段混杂	部分报告字段为西班牙文	低	用标准字段（tirads 等）而非自由文本作标签

§7.2 标注质量

轮廓标注由 3 位放射科医师独立完成，掩膜一致性以 Dice 衡量平均为 0.92，分歧经专家共识会议解决，整体质量在同类超声数据集中属上乘。良恶性诊断经活检确认，属病理级金标准。

但仍存在三点需要使用者警惕的限制：其一，0.92 衡量的是标注者之间的重合度，超声结节边界本身存在主观模糊带，共识掩膜并非绝对真值，这构成任何分割模型 Dice 的天花板；其二，composition、echogenicity、margins、calcifications 等形态字段的标注一致率未见报告，这些字段作为中间监督时其可靠性未知；其三，是否存在后期批次由不同医师标注的情况，公开资料未说明。

§7.3 泛化性风险

应用场景	失效风险	证据
跨设备部署（GE / Hitachi / Mindray）	高——DDTI 仅两款同厂设备，模型可能过拟合 TOSHIBA 成像风格	RTS-Net 在 DDTI 上的 U-Net Dice 仅 59.74，远低于内部验证水平 [3]
跨中心部署（不同人群与操作流程）	高——单中心数据无法覆盖扫描手法差异	原始论文即指出阅片性能受操作者能力影响 [2]
筛查场景	极高——就诊人群，患病率严重偏高	结节检出率标称 100% [4]
男性患者亚组	中高——男性样本极少	子集记载为 270 女 / 29 男 [11]
其他甲状腺病变（弥漫性病变、术后）	高——标注集中于局灶结节	主要任务为单结节分割
大模型 / 基础模型微调	中——样本量过小，微调易过拟合	Frontiers in AI 报告 DDTI 上 Dice 仅 0.65，作者归因小样本与形态变异 [18]

§7.4 伦理与合规

DDTI 以去标识化形式发布：图像不含姓名、病历号或采集日期，XML 仅保留年龄与性别。原始论文明确说明数据集为面向科学社区的开放资源。但使用者仍需注意：

再分发：社区镜像的许可证标注非标准（Other / Unknown），再分发前应确认原始授权，避免因镜像许可不明而产生合规风险。
叠加信息：超声图像上可能残留设备生成的文字、日期或机构标识，若需公开展示样本图像，建议先做区域检查与遮蔽。
临床宣称：禁止将基于 DDTI 训练的模型描述为"可用于临床诊断"，除非完成多中心前瞻性验证与监管审批。
小样本的统计诚实：数百张图像上的指标差异往往不具统计显著性，公开发表时应报告不确定性，避免误导性结论。

§7.5 公平性

DDTI 的人群构成高度单一（哥伦比亚单中心、女性为主），因此不适合用于公平性研究，也无法支撑"模型在不同性别、种族、年龄亚组上性能相当"的声明。若研究目标本身涉及公平性，需引入 DDTI 之外的多中心数据。在训练与评估中，建议至少按性别分层报告性能（即使男性样本过少只能定性说明），并明确标注该结果不具备推广性。

§7.6 数据漂移

DDTI 为静态数据集，2015 年发布后未再更新，因此不存在随时间推移的数据漂移问题；但同时意味着它无法反映此后超声设备（如新一代高频探头、弹性成像、AI 辅助采集）的变化。真正的漂移风险来自使用端：当把在 DDTI 上训练的模型部署到新设备或新中心时，成像特征的分布偏移会导致性能下降，这属于协变量漂移。缓解手段是引入目标域数据做域自适应或少量标注微调。

§7.7 DAIMS 24 项数据就绪度评估

#	检查项	状态	说明
1	数据为宽格式（每行一个样本/事件）	⚠️	图像与掩膜为独立文件，元数据以 XML 逐例存储，需解析后转宽表
2	有唯一标识符列	⚠️	XML 的 number 为病例键，但图像以 `106_1.jpg` 形式命名，需从文件名推导键
3	无 Unicode 或特殊字符	⚠️	图像无此问题；部分报告字段为西班牙文自由文本，含重音字符
4	无重复行	❌	存在多视角重复帧与重组织版本中的重复内容，官方未去重
5	缺失值已识别并编码	❌	以空 XML 标签形式出现，无统一 NA 编码，需自行识别
6	标签列被明确标识	❌	无独立良恶性列，需从 TI-RADS 按规则派生
7	已对罕见类别（<3%）进行分组	❌	TI-RADS 七档中的稀缺档位未分组，直接七分类会极端不平衡
8	偏倚评估已完成	✅	§7.1 列出 8 类偏倚与缓解措施
9	有完整的数据字典	⚠️	XML 字段可从样例推断，但原始项目页无正式字段文档
10	对"信息性缺失"有明确编码解释	❌	未区分"已标注但为空"与"未标注"，需自行定义
11	数据采集设备和设置已记录	✅	§3.9 记录设备型号、探头类型与频率
12	已移除完全共线性变量	❌	形态字段与 TI-RADS 高度共线，原始数据未做处理
13	对编码的映射标准已说明	⚠️	采用 TI-RADS 体系但未附版本号与归并规则
14	对时间戳的处理已明确说明	⚠️	数据本身无采集时间戳；批次信息仅见于官方"每月新增"的说明
15	训练/验证/测试划分建议已给出	❌	官方无划分、无评测脚本，各论文自行约定
16	数据泄漏风险已被讨论	❌	官方未讨论；一例多图导致的患者级泄漏由本文 §5.3 补充说明
17	标签分布已被分析	❌	官方未提供良恶性分布，且文献口径互相矛盾（§4.2）
18	选择性测量偏倚已被讨论	⚠️	原始论文讨论了操作者与噪声对判读的影响，但未量化选择偏倚
19	外部验证建议已给出	❌	官方未给出，本文 §5.6 补充 TN3K / TN5000 / AIMI 路径
20	数据更新和版本信息已记录	❌	无正式版本号与变更日志，批次演化仅见于描述文字
21	最小必要预处理脚本已提供	⚠️	官方提供部分预处理目录（stage1/stage2），但无 XML→掩膜的完整脚本
22	合规使用要求已明确	⚠️	原始论文声明开放获取，但无正式许可证文本，镜像标注为 Other
23	多模态对齐方法已说明	⚠️	图像、XML 标注与形态字段的对应关系明确，但无时间对齐维度
24	去标识化方法已被记录	⚠️	图像与 XML 未见直接标识符，但去标识化流程未以文档形式公开

DAIMS 评分：9.5 / 24

评分解读：偏低（数据就绪度不足）——数据本身可用且有明确的设备与标注记录，但几乎不具备现代 AI-Ready 数据集所要求的工程配套：无官方划分、无正式数据字典、无标签列、无版本管理、无预处理脚本、无泄漏讨论。

对你意味着什么：DDTI 是一份"内容好、包装差"的数据集。你可以放心使用它的图像与轮廓——3 位专家标注、一致性 Dice 0.92、活检确认的恶性标签，这些质量在同量级数据集中是优秀的。但你必须自己补上所有工程环节：从 TI-RADS 派生标签并明确归并规则（§6.5 坑点 3）、从文件名推导病例 ID 做病例级划分（坑点 2）、把 XML 点列正确栅格化为掩膜（坑点 1）、剔除缺失与损坏样本（坑点 6）。如果你的项目对可复现性有硬性要求，建议自建一份固定的 5 折病例级划分并公开，这比在方法上反复调优的收益更大。若你的目标是免调参的稳健基线，直接改用 nnU-Net 流程即可跨过大部分预处理陷阱。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
TN3K（跨数据集测试）	南方医科大学珠江医院	结节分割	RTS-Net 在 DDTI 上准确率 95.43%，Dice 74.41	—	尽管设备与图像特征不同，域自适应方法仍可在 DDTI 上保持领先
DDTI 作为 TN3K 的外部测试集	同上	分割泛化	U-Net Dice 59.74 / Deeplabv3+ 74.40 / EMCAD 74.88	较内部验证显著下降	直接跨域迁移性能落差可达 20 个点以上，是 DDTI 用作泛化探针的典型证据
Stanford AIMI Thyroid、TN3K 联合（MAE 预训练 Transformer）	Stanford AIMI / 珠江医院	分割	DDTI Dice 0.65	与 TN3K（0.64）、AIMI（0.63）接近	小样本条件下架构增益有限，数据量比架构复杂度更关键
DDTI 用于分类（多通道 CNN）	Monash University 等	良恶性分类	选取 448 张（66 良性 / 382 恶性）	—	按 TIRADS 归并后类别高度不平衡，需谨慎选择评价指标
住院队列对照（Hospital_X 内部数据）	中国川北某三甲医院	良恶性分类	917 张（200 良性 / 717 恶性）	—	该研究以 DDTI 作开放对照，自建院内数据作外部验证，是推荐的做法

表中数字来自各自论文的原始报告，划分与清洗规则不同，不可横向直接比较。

§8 基准性能与生态

§8.1 排行榜

以下汇总 DDTI 上公开报告的甲状腺结节分割结果。所有数值来自不同论文、不同划分与预处理，不可直接比较（原因见 §6.5 坑点 8）。

排名	模型	性能	年份	关键技术	完整引用	代码
1	两阶段级联方法	Dice 93.67 / mIoU 88.46	2022	两阶段级联分割	Wu et al., 2022, Front. Neurosci., 16:872601. DOI 10.3389/fnins.2022.872601	—
2	TN-SCUI2020 冠军方案	Dice 92.39 / mIoU 86.84	2022（复现报告）	竞赛冠军架构	Wang, 2020, MICCAI TN-SCUI Challenge（Front. Neurosci. 2022 复现报告）. DOI 10.3389/fnins.2022.872601	github.com/WAMAWAMA/TNSCUI2020-Seg-Rank1st
3	nnU-Net	Dice 88.59	2022	自适应配置的 U-Net	Isensee et al., 2021, Nat. Methods（DDTI 数值见 Front. Neurosci. 16:872601）	github.com/MIC-DKFZ/nnUNet
4	HFA-UNet-3	Dice 85.20 / HD95 23.90	2025	混合与全注意力 U-Net	HFA-UNet, 2025, Knowledge-Based Systems. DOI 10.1016/j.knosys.2025（sciencedirect S0950705125012869）	—
5	MLMSeg	Dice 82.84 / HD95 16.23	2024	多层级多尺度分割	MLMSeg, 2024（数值引自 HFA-UNet 论文对照表）	—
6	UCTransNet	Dice 80.75 / HD95 24.96	2022	通道 Transformer 模块	UCTransNet, 2022（数值引自 HFA-UNet 对照表）	—
7	SwinUnet	Dice 79.85 / HD95 24.80	2023	Swin Transformer U 形结构	SwinUnet, 2023（数值引自 HFA-UNet 对照表）	—
8	DeepLabV3+	Dice 77.75 / HD95 27.57	2018	空洞卷积编码解码	Chen et al., 2018（数值引自 HFA-UNet 对照表）	—
9	TransUNet	Dice 74.83 / HD95 31.98	2021	ViT 编码器 + U-Net 解码器	Chen et al., 2021, arXiv:2102.04306	github.com/Beckschen/TransUNet
10	U-Net	Dice 71.82 / HD95 40.70	2015	编码解码 + 跳跃连接	Ronneberger et al., 2015, MICCAI. DOI 10.1007/978-3-319-24574-4_28	—

跨数据集设置下的另一组数值（DDTI 作外部测试集）：

模型	Dice	准确率	年份	引用	说明
EMCAD	74.88	93.68	2025	RTS-Net 论文对照表（PMC13111076）	DDTI 作为跨域测试集
CPFNet	74.77	93.35	2025	同上	同上
VM-UNet	74.62	93.42	2025	同上	同上
TransUnet	74.43	93.11	2025	同上	同上
RTS-Net	74.41	95.43	2025	RTS-Net, 2025, PMC13111076	双路径注意力 + 图卷积
Deeplabv3+	74.40	93.57	2025	同上	同上
FCN	69.96	92.64	2025	同上	同上
SGUNet	62.92	91.30	2025	同上	同上
U-Net	59.74	90.94	2025	同上	同上

数值不可直接比较的四点原因：划分比例不同（750/83/147 vs 80:10:10 vs 五折）、清洗规则不同（剔除或不剔除无轮廓样本）、是否使用外部预训练不同（ImageNet / MAE / 无）、输入分辨率不同（256×256 vs 512×512 vs 原尺寸）。比较 DDTI 结果时，请以同一论文内的相对排序为准。

§8.2 SOTA 总结与选型建议

DDTI 上的 SOTA 呈现两个彼此分离的"高地"：

内部验证高地：Dice 约 86–94，由两阶段级联、竞赛冠军方案与 HFA-UNet 占据。这类方法通常配合较激进的预处理与较多的训练轮次，在固定划分上表现优异，但跨数据集时未必保持优势。
跨域泛化高地：Dice 约 74–75，由 EMCAD、CPFNet、VM-UNet、RTS-Net 等占据。数值更低并非方法更差，而是任务更难（在 TN3K 上训练、DDTI 上测试）。

选型建议：

要可信基线 → nnU-Net（Dice 约 88.6，免调参，跨数据集稳健）。
要小样本快速验证 → U-Net 或 Attention U-Net（Dice 约 84），配合病例级 5 折。
要边界精度 → 关注 HD95 而非只看 Dice；HFA-UNet 与 MLMSeg 在 HD95 上明显优于 U-Net（23.90 / 16.23 vs 40.70）。
要泛化能力 → 优先选用报告了跨数据集结果的架构（EMCAD、CPFNet），并在自己的目标域上验证。

§8.3 评测协议

DDTI 无官方评测协议，建议采用以下自定协议以保证可比性：

数据版本：记录下载来源、日期与文件哈希。
清洗规则：公开"从 N 张到 M 张"的漏斗（缺失 XML、空掩膜、损坏文件、无 TI-RADS 分别剔除多少）。
划分：病例级 5 折交叉验证，公开折划分文件或随机种子。
指标：Dice（主）、IoU、HD95（边界）、像素级敏感度与特异度（小目标）。
报告：折间均值 ± 标准差；至少 3 个随机种子的结果。
可视化：附上预测掩膜叠加图，包含表现最差与最好的各 3 例。

数据集	关系	规模	说明
TN3K	互补 / 常作跨域测试	3,493 张	甲状腺结节分割的大规模替代选择
TN5000	后继 / 扩展	数千量级	同时支持检测、分割与分类
Stanford AIMI Thyroid	同类异源	—	托管于 Stanford AIMI，非 TCIA
BUSI	多源迁移实验伙伴	780 张	乳腺超声分割，常与 DDTI 一起做跨器官迁移
LiTS	对照数据集	201 例 CT	常与 DDTI 并列讨论类别不平衡问题

§8.5 关键论文 Top 8

Pedraza L, Vargas C, Narváez F, Durán O, Muñoz E, Romero E. (2015). An open access thyroid ultrasound image database. 10th International Symposium on Medical Information Processing and Analysis, SPIE Vol. 9287, 188–193. DOI: 10.1117/12.2073532. — DDTI 的原始论文，定义数据集、标注协议与开放获取承诺，是所有后续引用的源头。
Wu et al. (2022). Thyroid nodule segmentation performance of different segmentation approaches. Frontiers in Neuroscience, 16:872601. DOI: 10.3389/fnins.2022.872601. — 系统比较 UNet、AttU-Net、PSP-Net、M-Net、DeepLabV3、nnU-Net 等在 DDTI 上的表现，并给出两阶段级联的 Dice 93.67。
HFA-UNet (2025). Hybrid and full attention UNet for thyroid nodule segmentation. Knowledge-Based Systems. — 报告 DDTI 内部验证 Dice 85.20、HD95 23.90，并提供完整的主流方法对照表。
RTS-Net (2025). Thyroid nodule segmentation network integrating dual-path attention and graph convolution. PMC13111076. — 以 DDTI 作为跨数据集泛化测试集，提供 11 个模型的对照数值，凸显域偏移影响。
EffiViT3+ (2025). Deep learning-based segmentation of thyroid nodules using EfficientNet-B7 and vision transformer-based hybrid encoder. PeerJ Computer Science, cs-3568. DOI: 10.7717/peerj-cs.3568. — 记录 DDTI 的关键溯源事实：980 张（322 恶性 / 658 良性）、3 位放射科医师标注、掩膜 Dice 一致性 0.92、清洗后 635 组。
MAE-Transformer (2025). Thyroid nodule segmentation in ultrasound images using transformer models with masked autoencoder pre-training. Frontiers in Artificial Intelligence, 1618426. DOI: 10.3389/frai.2025.1618426. — 证明小样本条件下 MAE 预训练加速收敛但精度提升有限（DDTI Dice 0.65）。
UMB (2023). Thyroid ultrasound image database and marker mask inpainting method for research and development. Ultrasound in Medicine and Biology. — 系统记录 DDTI 的图像缺陷（多病例、黑边、标记）并提出重裁剪与标记修复方案，得 652 张重组织版本。
Multi-channel CNN (2022). Multi-channel convolutional neural network architectures for thyroid cancer detection. PMC8782508. — 详细说明 TI-RADS 七档与良恶性归并规则，并提供 DDTI 分类实验的样本构成。

§8.6 社区活跃度

DDTI 的社区活跃度主要体现在引用与镜像下载而非仓库协作（数据集本身无 GitHub 仓库与 issue 追踪）。Kaggle 主镜像页面浏览量已超过 5.3 万次，最近 30 天仍有数千次访问；社区反馈以"用于学习"（10 条）与"用于研究"（7 条）为主；另一预处理镜像（eiraoi）累计约 9,700 次浏览、1,500 余次下载。数据集被 TIB 数据仓储等服务编目，进一步扩大了可发现性。[16] [12] [8]

§8.7 生态快照

资源	类型	链接	活跃度/规模（截至 2026-09）	推荐理由
官方项目页（Cim@Lab）	原始分发	http://cimalab.intec.co/applications/thyroid/	可用性不稳定	唯一源头，获取最原始的分发内容
Kaggle dasmehdixtr 镜像	社区镜像	https://www.kaggle.com/datasets/dasmehdixtr/ddti-thyroid-ultrasound-images	浏览量 53.2K+，870 个文件	保留原始 XML 字段，事实上的主下载入口
Kaggle eiraoi 预处理镜像	社区镜像	https://www.kaggle.com/datasets/eiraoi/thyroidultrasound/data	浏览量 9.7K+，1,274 个文件	图像-掩膜已配对，省去 XML 解析
TIB 数据仓储条目	编目服务	https://service.tib.eu/ldmservice/dataset/ddti-dataset	静态编目	提供持久化引用入口
SPIE 论文原文	文献	DOI 10.1117/12.2073532	被引数百次	数据集定义与标注协议的第一手依据
TN3K on Kaggle	关联数据集	https://www.kaggle.com/datasets/tjahan/tn3k-thyroid-nodule-region-segmentation-dataset	活跃	首选的大规模互补数据集与跨域测试集
nnU-Net	工具框架	https://github.com/MIC-DKFZ/nnUNet	高活跃	DDTI 上免调参的稳健基线
TransUNet	工具框架	https://github.com/Beckschen/TransUNet	中活跃	小样本分割的 Transformer 对照基线

§9 相关资源与引用

§9.1 官方文档与教程

官方项目页：http://cimalab.intec.co/applications/thyroid/
原始论文（SPIE Digital Library）：https://www.spiedigitallibrary.org/conference-proceedings-of-spie/9287/92870W/An-open-access-thyroid-ultrasound-image-database/10.1117/12.2073532.short
论文摘要页（Mendeley 编目，含参考文献与被引列表）：https://www.mendeley.com/catalogue/e86aaa1c-d93e-36f3-b62c-4b830c146f55/
ResearchGate 全文页：https://www.researchgate.net/publication/275340525_An_open_access_thyroid_ultrasound-image_Database
社区元数据整理（OpenMedLab Awesome-Medical-Dataset）：https://github.com/openmedlab/Awesome-Medical-Dataset/blob/main/resources/DDTI.md
Kaggle 主镜像：https://www.kaggle.com/datasets/dasmehdixtr/ddti-thyroid-ultrasound-images
Kaggle 预处理镜像：https://www.kaggle.com/datasets/eiraoi/thyroidultrasound/data
TIB 编目条目：https://service.tib.eu/ldmservice/dataset/ddti-dataset

§9.2 BibTeX 完整引用

@inproceedings{pedraza2015open,
  title     = {An open access thyroid ultrasound image database},
  author    = {Pedraza, Lina and Vargas, Carlos and Narv{\'a}ez, Fabi{\'a}n
               and Dur{\'a}n, Oscar and Mu{\~n}oz, Emma and Romero, Eduardo},
  booktitle = {10th International Symposium on Medical Information
               Processing and Analysis},
  series    = {SPIE Proceedings},
  volume    = {9287},
  pages     = {188--193},
  year      = {2015},
  month     = {jan},
  organization = {SPIE},
  doi       = {10.1117/12.2073532},
  url       = {https://doi.org/10.1117/12.2073532}
}

@article{wu2022thyroid,
  title   = {Thyroid nodule segmentation performance of different
             segmentation approaches on the DDTI dataset},
  author  = {Wu, Xiaoqing and others},
  journal = {Frontiers in Neuroscience},
  volume  = {16},
  pages   = {872601},
  year    = {2022},
  doi     = {10.3389/fnins.2022.872601}
}

@article{effivit32025ddti,
  title   = {EffiViT3+: deep learning-based segmentation of thyroid nodules
             using EfficientNet-B7 and vision transformer-based hybrid encoder},
  journal = {PeerJ Computer Science},
  year    = {2025},
  doi     = {10.7717/peerj-cs.3568}
}

@article{umb2023marker,
  title   = {Thyroid Ultrasound Image Database and Marker Mask Inpainting
             Method for Research and Development},
  journal = {Ultrasound in Medicine and Biology},
  year    = {2023},
  doi     = {10.1016/j.ultrasmedbio.2023.09.012}
}

§9.3 引用指南

引用数据集本身时使用 pedraza2015open，并注明使用版本与获取日期（因存在多批次与多镜像）。
引用具体性能数字时，必须引用提供该数字的论文而非原始数据集论文，并说明划分与清洗规则。
引用本文的整理内容时，请引用千方病案医数集对应条目页 https://www.qianfanghub.com/ai-ready-dataset/ddti/536。
不推荐在方法章节仅以一句话笼统引述"在 DDTI 上达到 SOTA"，必须给出划分细节与折间方差。

§9.4 使用前检查清单

[ ] 已确认数据版本（原始 JPG+XML / 预处理 p_image+p_mask / 重组织 512×512）
[ ] 已记录下载日期与文件哈希
[ ] 已解析全部 XML，统计 tirads 各档与空值计数
[ ] 已明确 TI-RADS → 良恶性归并规则并写入实验记录
[ ] 已从文件名推导病例 ID，完成病例级划分并 assert 无泄漏
[ ] 已把 XML 点列在原图坐标系栅格化后再统一缩放（避免掩膜错位）
[ ] 已剔除缺失 XML / 空掩膜 / 损坏文件，并记录清洗漏斗
[ ] 已对图像黑边与叠加文字做裁剪或抑制
[ ] 已在训练集内做增强，验证/测试集仅做确定性 resize
[ ] 已报告 Dice + IoU + HD95 + 像素敏感度/特异度，并给出折间标准差

§10 AI 使用声明卡

§10.1 AI 模型列表

模型/工具	版本	用途
deep-model（CodeBuddy Code）	2026-09	资料检索整合、结构化写作、代码示例生成、JSON-LD 构建
WebSearch 检索工具	2026-09	收集原始论文、镜像页、下游论文中的事实与基准数字

§10.2 AI 参与范围

AI 参与以下环节：事实检索与交叉核对（多渠道比对数据集规模口径）、章节结构编排、中文行文、Python 代码示例撰写（装饰器、XML 解析、掩膜栅格化、Dataset 类、评估指标）、表格整理、JSON-LD 序列化。AI 未参与：医学判断的最终定性、外部验证矩阵中数值的原创计算、任何数据集的下载或再分发。

§10.3 输入来源列表

Pedraza L. et al. (2015). An open access thyroid ultrasound image database. SPIE Vol. 9287, 188–193. https://www.spiedigitallibrary.org/conference-proceedings-of-spie/9287/92870W/An-open-access-thyroid-ultrasound-image-database/10.1117/12.2073532.short
ResearchGate 论文全文页（含作者单位与摘要原文）. https://www.researchgate.net/publication/275340525_An_open_access_thyroid_ultrasound-image_Database
Mendeley 编目页（DOI、卷期、参考文献与被引列表）. https://www.mendeley.com/catalogue/e86aaa1c-d93e-36f3-b62c-4b830c146f55/
OpenMedLab Awesome-Medical-Dataset DDTI 条目（规模、分辨率、目录树、官方链接）. https://github.com/openmedlab/Awesome-Medical-Dataset/blob/main/resources/DDTI.md
Kaggle 主镜像页（文件结构、XML 样例、体量、浏览量）. https://www.kaggle.com/datasets/dasmehdixtr/ddti-thyroid-ultrasound-images
Kaggle 预处理镜像页（文件数、体量、许可）. https://www.kaggle.com/datasets/eiraoi/thyroidultrasound/data
PeerJ Computer Science EffiViT3+ 论文（980/322/658、3 位放射科医师、Dice 0.92、635 有效对）. https://peerj.com/articles/cs-3568/
Frontiers in Neuroscience 2022 分割方法对照表（DDTI 多模型 Dice）. https://pmc.ncbi.nlm.nih.gov/articles/PMC9475170/table/T2/
HFA-UNet 论文（DDTI 内部验证对照表，HFA-UNet Dice 85.20）. https://www.sciencedirect.com/science/article/pii/s0950705125012869
RTS-Net 论文（DDTI 作为跨域测试集的 11 模型对照表）. https://pmc.ncbi.nlm.nih.gov/articles/PMC13111076/
Frontiers in Artificial Intelligence MAE 预训练 Transformer 论文（DDTI Dice 0.65）. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1618426/full
Ultrasound in Medicine and Biology 2023 论文（DDTI 重裁剪、652 张、标记 inpainting）. https://www.umbjournal.org/article/S0301-5629(23)00406-4/fulltext
Multi-channel CNN 论文（TIRADS 七档定义与良恶性归并规则）. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8782508/?tool=EBI
arXiv 2305.19069 多源对抗迁移学习论文（390 例构成、XML 转掩膜、560×360）. https://arxiv.org/pdf/2305.19069.pdf
Springer《类不平衡处理》论文（298 张、270 女 29 男、像素不平衡 1:6–1:20）. https://link.springer.com/doi/10.1007/s12539-025-00726-2
PolyU Technologies 论文（480 张、TIRADS 归并、清洗后 339）. https://ira.lib.polyu.edu.hk/bitstream/10397/112865/1/technologies-13-00028-v2.pdf
PMC 多级迁移学习论文（980 张、750/83/147 划分）. https://pmc.ncbi.nlm.nih.gov/articles/PMC10378664/
DBSAM 数据集编目页（DDTI 设备型号 TOSHIBA Nemio 30 / MX）. https://selectdataset.com/dataset/50bb1dc47cc30ab0b1cb76799560387a/dbsam
TN5000 论文（TN5000 规模与 DDTI 引用）. https://www.pubmed.gov/40819171/
《声学技术》论文（299 例、五折交叉验证）. http://www.sxjs.ac.cn/cn/article/pdf/preview/10.16300/j.cnki.1000-3630.2024.05.009.pdf
ACM Digital Library 多任务检测分割论文（Stanford AIMI 与 DDTI 区分）. https://dl.acm.org/doi/10.1016/j.compbiomed.2024.107974

§10.4 人工校验表

内容模块	审核者	审核方式	审核状态
§1 数据集概览（规模口径辨析）	千方病案医学编辑部	交叉核对多渠道来源	✅ 已通过
§2 医学背景与 ICD-11 / SNOMED CT 映射	千方病案医学编辑部	医学背景交叉审核	✅ 已验证
§3 数据集规格与版本抉择矩阵	千方病案医学编辑部	数据工程师交叉审核	✅ 已通过
§4 DAIMS 字段字典与目录树	千方病案医学编辑部	对照 Kaggle 样例 XML 核对	✅ 已验证
§5 划分策略与泄漏风险分析	千方病案医学编辑部	数据工程师交叉审核	✅ 已通过
§6 预处理 Pipeline 与 8 个坑点	千方病案医学编辑部	代码复核与文献交叉验证	✅ 已验证
§7 质量评估与 DAIMS 24 项	千方病案医学编辑部	逐项对照检查	✅ 已通过
§8 基准数字与引用完整性	千方病案医学编辑部	逐条回溯原文	✅ 已验证
§9 资源链接与 BibTeX	千方病案医学编辑部	链接可达性检查	✅ 已通过
§10 AI 使用声明	千方病案医学编辑部	声明内容复核	✅ 已通过

§10.5 AI 生成章节标注

全部章节均由 AI 依据 §10.3 所列公开来源起草，其中 §2 医学背景、§6.5 坑点、§7.7 DAIMS 评估、§8 基准数值四部分经人工重点复核。所有引用链接指向公开发表文献或官方页面，未使用任何非公开数据。

§10.6 最后人工审核日期

最后人工审核日期：2026-09-05

页面状态：published（全部内容已完成审核并发布）

返回 AI-Ready 数据集