INFOBOX
| 数据集名称 | LIDC-IDRI |
| 英文全称 | The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI) |
| 别名 / 简称 | LIDC-IDRI、LIDC/IDRI、LIDC |
| 疾病分类 | CA40–CA4Z 呼吸系统肿瘤（肺癌筛查与诊断）。核心映射：2C25.0 肺腺癌、2C25.1 肺鳞状细胞癌、2C25.Y 其他特指类型的肺恶性肿瘤、CA40.Z 呼吸道或胸腔器官非特指恶性肿瘤 |
| SNOMED CT | 254637007 Non-small cell lung cancer (disorder) / 61819009 Small cell carcinoma of lung (disorder) / 109373005 Malignant neoplasm of lung (disorder) / 44132006 Abscess of lung (disorder) |
| 数据模态 | 影像（胸部 CT，含部分配套胸部 X 光 CR/DX） |
| AI 任务类型 | 目标检测（肺结节）、语义分割（结节轮廓）、图像分类（良恶性）、观察者间一致性研究 |
| 样本总数 | 1,018 例 CT 扫描（来自 1,010 名患者），244,527 张 DICOM 图像；7,371 个病灶被至少 1 位放射科医师标记为结节，其中 2,669 个结节 ≥3 mm（含轮廓与特征评分） |
| 数据大小 | 约 133.16 GB（DICOM 影像）+ 8.62 MB（XML 标注） |
| 数据格式 | DICOM（CT 影像）/ XML（放射科医师标注）/ XLS（患者诊断数据、结节计数） |
| 许可证 | CC BY 3.0 |
| 访问级别 | 开放（TCIA 注册后免费下载，无需额外 DUA） |
| DUO 标签 | NRES, GRU |
| 语言 | 英文（XML 标注与文档） |
| 首发日期 | 2011-02（完整版《Medical Physics》论文发表；2007 年曾预先发布 399 例 pilot） |
| 最后更新 | 2020-09-21（TCIA v4，修正第三方文件误纳入下载清单的问题） |
| 发布机构 | 国家癌症研究所（NCI）+ 国家卫生研究院基金会（FNIH）+ FDA — 7 个学术中心（芝加哥大学/爱荷华大学/MD Anderson/UCLA/密歇根大学/康奈尔大学/MSKCC）+ 8 家医学影像公司 |
| 官方主页 | https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=1966254 |
| 下载地址 | https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI（需 TCIA NBIA Data Retriever 批量下载） |
| DOI | 10.1118/1.3528204（论文）/ 10.7937/K9/TCIA.2015.LO9QL9SX（数据集） |
| 引用次数 | 4,500+（Google Scholar，截至 2025-12，原始论文）+ 300+（TCIA 数据引用，截至 2026-07） |
| AI 就绪度评分 | ⭐⭐⭐⭐（4/5）— 四重放射科医师标注金标准 + pylidc 社区工具链 + LUNA16 挑战赛标准化评估；扣分项：XML 标注需额外解析、9 维特征主观评分存在实质性的观察者间分歧、缺乏病理活检金标准 |
| 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 映射、肺结节临床任务定义、金标准描述）、§7 偏倚分析与观察者间一致性。
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/DICOM 字段映射）、§5 数据划分策略（LUNA16 10 折交叉验证 + 共识规则）、§6 预处理 Pipeline 和坑点。
审核日期：2026-07-29
审核方式：交叉审核
医疗免责声明：本页面提供的医学信息仅供���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（CC BY 3.0）。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。TCIA 要求在引用时同时标注论文 DOI 与数据集 DOI。
§1 数据集概览
§1.0 30 秒速览
LIDC-IDRI 是由美国国家癌症研究所（NCI）主导、联合 FDA 和 8 家影像设备厂商共同推进的全球首个大规模肺结节 CT 公共参考数据库。它包含了 1,018 例胸部 CT 扫描，每例都由 4 位资深胸部放射科医师经过"盲读—非盲复核"两阶段独立标注，最终记录了 7,371 个病灶的结节判定与 2,669 个 ≥3 mm 结节的精细轮廓和 9 维主观特征评分。
它的核心价值在于开创了"多观察者无强制共识"标注范式——不对四位放射科医师的标注强制统一，而是完整保留每个人的独立判断。这使得 LIDC-IDRI 不仅仅是一个检测/分割的基准，更是研究**观察者间变异（inter-observer variability）**的唯一大规模公开资源。基于它衍生的 LUNA16 挑战赛直接推动了肺结节 AI 检测从学术研究走向临床验证。
你可以用它来：训练肺结节的检测和分割模型、研究放射科医师的主观判断如何影响 AI 标注质量、或者分析不同扫描设备和重建参数下 AI 模型的一致性表现。
§1.1 摘要
LIDC-IDRI 是一个由 NCI 于 2005 年启动、历经 5 年多中心协作才全部完成的肺结节影像标注项目。它的独特之处在于设计了一个前所未有的"两阶段四医师异步标注"流程：第一阶段，4 位放射科医师各自独立标注（盲读）；第二阶段，每位医师在看到其他 3 位的匿名化标注后，独立形成最终意见（非盲复核）。整个过程不强制达成共识，完整保留了观察者间变异的原始信息。
图像数据来自 GE、Siemens、Philips、Toshiba 四家厂商 16 种扫描仪型号，覆盖 11 种不同层厚（0.6–5.0 mm）和 4 级重建核（软/标准/轻度增强/过度增强）。标注数据包含结节轮廓（逐层二维多边形）、质心坐标（世界坐标系），以及 9 维 Likert 5 级主观评分：精细度（检测难度）、内部结构、钙化模式、球形度、边缘清晰度、分叶程度、毛刺程度、纹理固实度和恶性概率。
数据集在 TCIA（The Cancer Imaging Archive）上以 CC BY 3.0 许可证公开发布，提供了 pylidc 等成熟的 Python 社区工具库，支持直接按共识等级筛选结节、导出分割掩码和加载 DICOM 图像。
§1.2 为什么重要
技术创新维度——观察者间变异的金标准资源：在医学影像 AI 中，"金标准是谁的标准"是一个根本性问题。LIDC-IDRI 通过四重独立标注完整保留了放射科医师间的判断差异——在 2,669 个 ≥3 mm 结节中，仅有 928 个（34.7%）获得了全部四位医师的一致认定。这意味着数据集中天然包含了"模糊地带"的完整刻画，使研究者能够量化算法的不确定性与人类不确定性之间的关系。这一特性至今没有第二个公开数据集能够匹敌。
应用影响维度——肺结节 CAD 的事实标准评估平台：从 2011 年发布至今的 15 年间，几乎所有重要的肺结节检测/分割算法都在 LIDC-IDRI 或其衍生集 LUNA16 上进行过评估。它定义了"≥3 位放射科医师标记"的共识金标准，以及 CPM（Competition Performance Metric）和 FROC 的标准评估方法。2017 年的 LUNA16 综述文章进一步揭示了一个重要发现：许多 CAD 系统的"假阳性"实际上是前期标注中遗漏的真实结节，证明了数据集本身在持续进化。
生态推动维度——公共-私人合作的里程碑：LIDC-IDRI 的创建模式——NCI 出资、FDA 监督、7 个学术中心贡献影像数据、8 家商业公司（GE/Siemens/Philips/Agfa/FujiFilm/iCAD/Carestream/Riverain）提供技术与法律支持——成为此后 TCIA、NLST 等更大规模医学影像公共数据库的模板。它证明了医学影像行业中竞争性商业公司与开放科学可以共存。
§1.3 同类数据集对比
| 数据集 | 样本量 | 模态 | 标注方式 | 核心差异化 |
|---|---|---|---|---|
| LIDC-IDRI | 1,018 CT / 7,371 病灶 | CT | 四重放射科医师两阶段标注，9 维特征评分 | 多观察者无强制共识，观察者间变异金标准 |
| LUNA16 | 888 CT / 1,186 结节 | CT (衍生) | 基于 LIDC-IDRI 共识规则（≥3 医师） | 标准化 10 折交叉验证 + CPM 评估框架 |
| NSCLC-Radiomics | 422 CT | CT | 单中心放射科医师 + 病理诊断 | 有病理金标准的非小细胞肺癌队列 |
| NLST | 53,454 CT (部分公开) | CT | 放射科医师阅片 + 长期随访 | 全球最大肺癌筛查试验队列，有生存结局 |
| DeepLesion | 10,594 CT / 32,735 病灶 | CT | RECIST 书签自动挖掘 + NLP 分类 | 泛器官病灶检测（非限定肺部），规模更大但标注粗略 |
§1.4 版本演进时间轴
| 时间 | 事件 |
|---|---|
| 2005 | LIDC 项目正式启动，NCI 资助 7 个学术中心开始病例收集与标注协议设计 |
| 2007 | 首批 399 例 pilot 数据通过 NCI CBIIT NBIA 发布（v1） |
| 2011-02 | 完整版 1,018 例数据论文发表于《Medical Physics》(Armato et al.)，成为该领域最具影响力的数据集论文 |
| 2011-06 | TCIA 上线 LIDC-IDRI 完整数据集（v1，含全部 1,010 例患者） |
| 2012-03 | v2：修正了 LIDC-IDRI-0101 的 XML 标注文件 |
| 2015-07 | v3：修复了 DICOM Frame of Reference UID（0020,0052）不一致��题；清除了不应出现的 Synchronization/Referenced Frame of Reference 标签 |
| 2016 | LUNA16 挑战赛启动：从 LIDC-IDRI 中筛选 888 例薄层（≤2.5 mm）CT，建立标准化检测评估框架 |
| 2017 | LUNA16 综述论文发表于《Medical Image Analysis》（Setio et al.），汇总 15 支队伍的性能并发现 CAD 能检测出被放射科医师遗漏的结节 |
| 2018-06 | 修复 044.xml / 191.xml 中的特征评分遗漏错误；修复 LIDC-IDRI-0396 的 SOP Instance UID 错误 |
| 2020-09 | TCIA v4（当前版本）：修正第三方生成文件误纳入主数据下载清单的问题 |
§1.5 典型应用场景
-
肺结节检测：在胸部 CT 中自动定位所有可疑结节，区分"≥3 mm 结节"“<3 mm 微小结节"和”≥3 mm 非结节（假阳性）"三种类型
-
肺结节分割：输出结节的三维体素级分割掩码——LIDC-IDRI 在每个结节的多层切片上提供了逐层的二维轮廓，可用于训练和评估 3D 分割模型
-
良恶性分类：利用 9 维放射科医师标注（特别是恶性概率评分 1–5）作为弱监督信号，训练结节良恶性判断模型
-
观察者间一致性建模：利用四重独立标注定量分析不同放射科医师的判断模式差异，训练能输出不确定性估计的贝叶斯模型
-
域泛化研究：利用多厂商扫描仪（GE/Siemens/Philips/Toshiba）、多层厚（0.6–5.0 mm）和多重建核的数据异质性，测试模型在不同采集条件下的泛化能力
§2 医学背景
§2.1 ICD-11 与 SNOMED CT 映射
| 数据集标注 | ICD-11 | SNOMED CT | SNOMED CT 术语 |
|---|---|---|---|
| Nodule ≥3 mm (suspected malignancy) | 2C25.Z 肺恶性肿瘤，未特指 | 109373005 | Malignant neoplasm of lung (disorder) |
| Benign nodule (calcified/laminated/popcorn) | DB35.Z 肺良性肿瘤，未特指 | 91772003 | Benign neoplasm of lung (disorder) |
| Non-nodule ≥3 mm (scar/granuloma/atelectasis) | CA40.Z 呼吸道非特指疾病 | 196075003 | Atelectasis (disorder) |
| Nodule <3 mm (micro-nodule) | QA02.Z 影像学异常发现，未特指 | 42725005 | Solitary pulmonary nodule (finding) |
| Ground-glass opacity (texture=1, non-solid) | QA02.Z | 252428004 | Ground glass opacity (finding) |
| Spiculated nodule (spiculation ≥4, malignancy≥4) | 2C25.Z | 254637007 | Non-small cell lung cancer (disorder) |
§2.2 疾病简介
肺结节是指在胸部 CT 上呈现的圆形或不规则形密度增高影，直径通常不超过 30 mm。肺结节是肺癌早期最常见的影像学表现——在美国 NLST（National Lung Screening Trial）低剂量 CT 筛查中，约 24% 的参与者检出至少一个 ≥4 mm 的非钙化结节，但最终确诊为肺癌的比例仅约 1%。这一"高检出率、低阳性率"的临床特征使得准确区分良恶性结节成为 AI 辅助诊断最具挑战性的任务之一。
肺癌是全球癌症死亡的首要原因，世卫组织 2022 年数据显示占癌症总死亡数的 18.4%（约 180 万例）。低剂量 CT 筛��已被多个大型随机对照试验（NLST, NELSON）证实可将肺癌死亡率降低约 20–26%，推动了美国、中国、欧盟等国家和地区逐步实施肺癌筛查计划。
§2.3 临床任务定义
| 任务 | 临床定义 | AI 任务类型 | 金标准 / 参考标准 |
|---|---|---|---|
| 结节检测 | 在胸部 CT 中识别所有直径 ≥3 mm 的肺结节 | 目标检测 | 至少 3/4 位放射科医师标记为 ≥3 mm 结节（LUNA16 规则） |
| 结节分割 | 精确勾画结节的 3D 边界（与周围肺实质、血管、胸壁分离） | 语义分割 | 50% 共识合并（≥2/4 位放射科医师的轮廓交集并集）或取所有医师轮廓的平均 |
| 结节分类（良恶性） | 基于 CT 影像特征判断结节的良恶性概率 | 图像分类 | 放射科医师恶性概率评分 1–5（弱监督）；部分病例有病理活检确认 |
| 假阳性削减 | 从候选结节位置列表中筛除非结节（血管截面、支气管壁、伪影等） | 二分类 | LUNA16 候选列表 + 放射科医师独立复核 |
§2.4 患者人群特征
| 维度 | 特征 |
|---|---|
| 数据来源 | 美国 7 个学术医疗中心回顾性收集的临床胸部 CT 扫描 |
| 患者数量 | 1,010 名（1,018 例扫描，其中 8 名患者各含 2 次不同时间点扫描） |
| 性别分布 | 原始论文未公开按患者级的精确性别统计。病例选择未按性别分层 |
| 年龄分布 | 原始论文未公开年龄分布统计。病例为临床真实患者，年龄分布取决于各中心肺癌/肺结节临床队列特征 |
| 地域分布 | 全为美国患者（芝加哥、爱荷华城、休斯顿、洛杉矶、安娜堡、伊萨卡、纽约市） |
| 入排标准 | 入选：胸部 CT 含约 1–6 个肺结节（最长径 <30 mm 且 ≥3 mm，基于提交机构粗略评估）。允许其他病理、噪声、伪影。排除：其他病理或伪影严重影响结节判读的扫描 |
| 扫描类型 | 临床剂量与低剂量混合（LDCT）。120 kVp（818 例）、130 kVp（31 例）、135 kVp（69 例）、140 kVp（100 例）。管电流 40–627 mA |
| 病理诊断 | 仅有少数病例有病理活检确认（附在 tcia-diagnosis-data-2012-04-20.xls 文件中，约 45 KB） |
§2.5 临床意义
肺结节检测是肺癌筛查流程中最关键、也是最耗费放射科医师精力的环节。一个典型的低剂量 CT 肺癌筛查扫描含有 300–500 层薄层图像，放射科医师需逐层寻找数毫米大小的结节，同时判断它们是良性（钙化、肉芽肿、瘢痕）还是可疑恶性——这一过程在正常筛查人群中像是"大海捞针"，误诊和漏诊都是致命的。
LIDC-IDRI 通过公开的四重放射科医师标注，不仅为 AI 模型训练提供了"人类水平的参考标准"，更重要的是量化了"人类水平的不确定性"——放射科医师在盲读阶段仅对 34.7% 的 ≥3 mm 结节达成完全一致。这意味着任何声称"超越人类"的 AI 系统都必须直面一个事实："人类水平"并不是一个单一的数值，而是一个有宽度的分布。
§2.6 金标准 / 参考标准
| 任务 | 标注方式 | 标注者资质 | 标注质量 |
|---|---|---|---|
| 结节检测（≥3 mm） | 两阶段独立标注（盲读→非盲复核），三位类别：≥3 mm 结节 / <3 mm 结节 / ≥3 mm 非结节 | 4 位资深胸部放射科医师（共 12 位轮换参与） | 全四同 34.7%。至少 1 位标记 ≥3 mm：2,669 个 |
| 结节轮廓 | 逐层手动勾画多边形（每个结节在每层可见切片上绘制轮廓） | 同上 | 观察者间变异在结节边缘区域最显著（Meyer et al.） |
| 结节特征评分 | Likert 5 级评分：精细度/内部结构/钙化/球形度/边缘/分叶/毛刺/纹理/恶性概率 | 同上 | 精细度分歧最大（均值差 0.2341），内部结构分歧最小（0.0052） |
| 病理诊断 | 临床档案回溯 | 各中心主��医师 | 仅部分病例有病理确认，非系统化收集 |
§3 数据集规格
§3.0 版本抉择矩阵
| 版本 | 数据量 | 扫描纳入 | 推荐场景 |
|---|---|---|---|
| LIDC-IDRI v4 (TCIA, 2020) | 1,018 例 CT / 244,527 张 DICOM | 全部扫描（含 121 例层厚 >2.5 mm 者） | 研究扫描参数对算法性能的影响、域泛化实验、分割任务 |
| LUNA16（衍生集） | 888 例 CT (MetaImage 格式) | 仅层厚 ≤2.5 mm，间隔一致，无缺失层的扫描 | 首选：肺结节检测模型训练与评估。标准化 10 折交叉验证，1,186 个共识结节 |
| pylidc 按需提取 | 可自定义筛选 | 完全灵活（按结节尺寸/共识等级/特征评分过滤） | 按特定研究问题构建自定义子集 |
选型建议：如果目标是结节检测，优先使用 LUNA16（标准化、社区主流、评估脚本已就绪）；如果目标是结节分割或特征评分预测，使用完整 LIDC-IDRI；如果需要按个性化疗标准筛选结节（如"仅使用获得 4/4 医师同意的结节"），使用 pylidc 灵活查询。
§3.1 数据集规模
| 维度 | 数值 |
|---|---|
| 患者数 | 1,010 名 |
| CT 扫描数（Study） | 1,018 例 |
| DICOM Series 数 | 1,308 组 |
| DICOM Image 总数 | 244,527 张 |
| CPU 磁盘占用 | 约 133.16 GB（DICOM 压缩） |
| XML 标注文件 | 8.62 MB（单独下载） |
| 病灶总数（marked as nodule by ≥1 radiologist） | 7,371 个 |
| ≥3 mm 结节数（by ≥1 radiologist） | 2,669 个 |
| ≥3 mm 结节数（by all 4 radiologists，全四同） | 928 个 |
| <3 mm 微小结节 | 4,702 个 |
| ≥3 mm 非结节（假阳性标记） | 未完整统计 |
§3.2 影像采集参数
| 参数 | 取值 |
|---|---|
| 扫描仪厂商与型号 | GE LightSpeed (16/Ultra/QX-i/Pro 16/VCT/Plus/Power): 670 例；Siemens Sensation (16/64)/Definition/Emotion 6: 205 例；Philips Brilliance (16P/64/40/16): 74 例；Toshiba Aquilion: 69 例 |
| 管电压 | 120 kVp (818 例), 130 kVp (31 例), 135 kVp (69 例), 140 kVp (100 例) |
| 管电流 | 40–627 mA（均值 222.1 mA） |
| 层厚 | 0.6 / 0.75 / 0.9 / 1.0 / 1.25 / 1.5 / 2.0 / 2.5 / 3.0 / 4.0 / 5.0 mm（11 种） |
| 重建间隔 | 0.45–5.0 mm（均值 1.74 mm） |
| 面内像素间距 | 0.461–0.977 mm（均值 0.688 mm） |
| 重建核类别 | Soft (67), Standard/Non-enhancing (560), Slightly Enhancing (264), Overenhancing (127) — 按空间频率增强程度递增分类 |
| 图像矩阵 | 512 × 512 像素，16-bit 灰度 (HU 值) |
| 是否增强 | 含增强与非增强扫描混合（CT 检查无统一增强协议） |
§3.3 标注规范
两阶段标注流程：
-
盲读阶段（Blinded Read）：4 位胸部放射科医师各自独立审阅 CT 扫描，标��所有可疑病灶，并归类为三类——≥3 mm 结节、<3 mm 结节、≥3 mm 非结节。对 ≥3 mm 的结节同步绘制逐层轮廓并填写 9 维特征评分。
-
非盲复核阶段（Unblinded Read）：每位放射科医师看到其他 3 位的匿名化标注结果后，独立重新审阅自己的标记，可以增删或修改，但无需与其他医师达成一致。
9 维结节特征评分（所有维度均使用 1–5 Likert 量表，除钙化使用 1–6）：
| 特征 | 评分范围与语义 | 注�� |
|---|---|---|
| Subtlety（精细度/检测难度） | 1=极难发现 → 5=明显 | 分歧最大的特征（均值差 0.2341），反映结节与背景的对比度 |
| Internal Structure（内部结构） | 1=软组织 / 2=液体 / 3=脂肪 / 4=空气 | 分歧最小（0.0052），绝大多数为软组织 |
| Calcification（钙化） | 1=爆米花 / 2=层状 / 3=实心 / 4=非中心 / 5=中心 / 6=无 | 1,312/1,426 个结节（约 92%）被标注为"无钙化" |
| Sphericity（球形度） | 1=线形 → 5=圆形 | 仅使用 1/3/5 三个值（早期文档定义，但实际 XML 中 1–5 均可出现） |
| Margin（边缘清晰度） | 1=模糊 → 5=锐利 | 仅极值 1/5 明确定义，但 XML 中 1–5 均可出现 |
| Lobulation（分叶） | 1=无分叶 → 5=明显分叶 | ~100 例早期发布病例中存在评分体系不一致的已知问题 |
| Spiculation（毛刺） | 1=无毛刺 → 5=明显毛刺 | 同上 ~100 例已知评分体系问题 |
| Texture（纹理） | 1=非实性/GGO → 5=实性 | GGO 类型仅占约 14%（205/1,426 个结节评分=1） |
| Malignancy（恶性概率） | 1=极低 → 5=极高（基于"60 岁男性吸烟者"假设场景） | 1,426 个结节在三同以上筛选中：1=127, 2=164, 3=685, 4=276, 5=174 |
§3.4 数据访问与获取
| 项目 | 详情 |
|---|---|
| 访问方式 | TCIA（The Cancer Imaging Archive）网站注册 → NBIA Data Retriever 客户端批量下载 |
| 注册要求 | TCIA 免费注册（姓名、机构、邮箱），无需 CITI 培训、无需 DUA 签署 |
| 下载工具 | NBIA Data Retriever（Windows/Mac/Linux） |
| 可单独下载组件 | 130 GB DICOM 影像 / 8.62 MB XML 标注（可单独下载 LIDC-XML-only.zip）/ 45 KB 诊断数据 Excel / 313 KB DICOM 元数据 CSV |
| 镜像与第三方 | Kaggle 社区整理子集（部分结节，非完整版）；百度 Aistudio 共享项目（中国镜像）；OpenDataLab 平台（中国镜像） |
| 许可证 | CC BY 3.0（署名即可，允许商业使用和修改） |
| 引用要求 | 论文 DOI (10.1118/1.3528204) + 数据集 DOI (10.7937/K9/TCIA.2015.LO9QL9SX) — 两者均需标注 |
§3.5 许可与使用限制
- LIDC-IDRI 数据集以 CC BY 3.0 许可证发布，允许商业使用、修改和二次分发，仅需适当署名。
- 与之相关的 LUNA16 衍生数据集以 CC BY 4.0 许可证发布。
- 去标识化声明：各参与机构在提交前已完成患者身份信息移除，TCIA 作为分发平台执行额外隐私合规检查。
- 伦理审查声明：原始论文明确说明数据集构建获得了各参与机构 IRB 的批准或豁免。
§3.6 数据格式
| 组件 | 格式 | 说明 |
|---|---|---|
| CT 影像 | DICOM (Digital Imaging and Communications in Medicine) | 512×512 px, 16-bit 灰度, HU 值。每层切片单独一个 .dcm 文件 |
| 结节标注 | XML (eXtensible Markup Language) | 每个扫描对应一个 XML 文件，含所有放射科医师的全部结节标注、轮廓坐标、特征评分。XML Schema 定义文件：voi_array.xsd |
| 患者诊断 | XLS (Microsoft Excel) | 少量病例的病理诊断信息 |
| 结节计数 | XLSX (Microsoft Excel) | 每个患者的汇总结节数量 |
| DICOM 元数据摘要 | CSV | 全部 244,527 张 DICOM 图像的元数据汇总 |
§3.7 语言与覆盖范围
- XML 标注中所有文本内容为英文
- 患者群体来自美国 7 个学术医疗中心
- 覆盖时间范围：CT 扫描收集于 2005–2011 年间
- 结节病理类型覆盖：原发性肺癌、转移性病变、良性病变、不确定性质
§3.8 更新与维护
- 数据集项目已于 2020 年标记为 “Complete”（不再添加新病例）
- TCIA 作为托管平台执行持续的数据完整性与可访问性维护
- 社区驱动的工具（如 pylidc）持续更新，最近一次 release 可在 GitHub 查看
- DICOM-LIDC-IDRI-Nodules 项目将 XML 标注转化为 DICOM SEG 格式，便于在标准 PACS/查看器中直接使用
§3.9 已知数据问题
| 问题类别 | 详情 | 影响范围 |
|---|---|---|
| 评分体系不一致 | ~100 例早期（首批 399 例 release 中）的分叶/毛刺评分体系在各中心间不一致 | 早期 399 例 |
| 特征评分遗漏 | XML 044.xml 和 191.xml：一位 reader 将一处病灶标记为 ≥3 mm 结节但未赋值 9 维特征评分 | 2 个 XML 文件 |
| 无效 internalStructure 值 | LIDC-IDRI-0510 的 187/255.xml 中 internalStructure=5（不存在第 5 个类别） | 1 个文件 |
| Reader ID 不可跨扫描追踪 | XML 文件中的 reader 编号（如 reader 1）在不同 CT 扫描间不对应同一位放射科医师——无法做按医师分层的纵向分析 | 全部数据 |
| 重复患者 | 8 位患者各有 2 次不同时间点的 CT 扫描（非有意设计），共享相同的 patient ID | 8 对扫描 |
| DICOM 元数据历史问题 | v3 前 Frame of Reference UID 不一致（已修复）；v4 前误纳入第三方生成文件（已修复） | 旧版本用户需升级 |
| 诊断数据不完整 | 仅极少部分病例有经病理活检确认的诊断，且为 excel 单文件非结构化维护 | 绝大多数病例 |
§3.10 深度溯源链
NCI 资助 (U01 CA091085 / U01 CA091090)
│
├─ 7 个学术中心提供 CT 扫描与放射科医师资源
│ ├─ University of Chicago (病例管理 / 标注流程设计)
│ ├─ University of Iowa (病例收集 / 标注)
│ ├─ MD Anderson Cancer Center (病例收集 / 标注)
│ ├─ UCLA (病例收集 / 标注)
│ ├─ University of Michigan (病例收集 / 标注)
│ ├─ Cornell University (病例收集 / 标注)
│ └─ Memorial Sloan-Kettering Cancer Center (病例收集)
│
├─ 8 家医学影像公司提供技术标准、审查与法律支持
│ ├─ Agfa HealthCare / FUJIFILM / iCAD
│ ├─ Carestream Health / Philips / Riverain Medical
│ └─ Siemens Medical Solutions / GE Healthcare
│
├─ FDA 参与质量监督与临床标准制定
��
├─ FNIH (Foundation for the NIH) 推动公私合作框架
│
└─ 12 位胸部放射科医师 (5 个机构轮换) 执行两阶段标注
│
▼
TCIA (The Cancer Imaging Archive) — 长期托管与分发
│
├─ LIDC-IDRI v4 (2020-09-21, DOI: 10.7937/K9/TCIA.2015.LO9QL9SX)
│
└─ 衍生数据集
├─ LUNA16 (2016, 888 CT 子集, 10 折交叉验证)
├─ DICOM-LIDC-IDRI-Nodules (XML→DICOM SEG 格式转换)
├─ Radiomic-Feature-Standards (影像组学特征提取)
└─ QIN-LungCT-Seg / SAROS (肺结节分割/影像组学)
§4 数据结构详解
§4.0 目录结构
LIDC-IDRI/
├── manifest-*.tcia ← NBIA Data Retriever 下载清单
├── LIDC-XML-only.zip ← XML 标注文件（可单独下载）
├── tcia-diagnosis-data-2012-04-20.xls ← 病理诊断数据（部分病例）
├── lidc-idri-nodule-counts-6-23-2015.xlsx ← 每患者结节数量汇总
├── DICOM_Metadata_Digest.csv ← 全部 DICOM 元数据摘要
│
└── LIDC-IDRI-xxxx/ ← 每位患者一个目录 (0001-1018)
├── YYYY-MM-DD-xxxx/ ← 每次检查 (Study) 一个目录
│ ├── 1.3.6.1.4.1.../ ← 每系列 (Series) 一个目录
│ │ ├── 1.3.6.1.4.1...dcm ← 每层切片一张 DICOM 文件
│ │ ├── 1.3.6.1.4.1...dcm
│ │ └── ...
│ └── 1.3.6.1.4.1.../
│ └── ...
└── xxx.xml ← 该 CT 扫描的完整标注记录
§4.1 XML 标注结构
<LidcReadMessage>
<ResponseHeader>
<! 包含读取会话信息、CT 扫描 UID、参与放射科医师标识 >
</ResponseHeader>
<readingSession>
<servicingRadiologistID>...</servicingRadiologistID>
<! 当前标注会话对应的放射科医师 >
<unblindedReadNodule> <! ≥3 mm 结节 >
<noduleID>Nodule_001</noduleID>
<characteristics>
<subtlety>4</subtlety> <! 精细度 1-5 >
<internalStructure>1</internalStructure>
<calcification>6</calcification>
<sphericity>3</sphericity>
<margin>4</margin>
<lobulation>2</lobulation>
<spiculation>1</spiculation>
<texture>5</texture>
<malignancy>3</malignancy>
</characteristics>
<roi> <! 每层切片的轮廓坐标 >
<imageZposition>-125.0</imageZposition>
<imageSOP_UID>1.3.6.1.4.1...</imageSOP_UID>
<inclusion>true</inclusion> <! 是否纳入该层 >
<edgeMap>
<xCoord>256.5</xCoord> <yCoord>301.2</yCoord>
<xCoord>257.0</xCoord> <yCoord>300.8</yCoord>
...
</edgeMap>
</roi>
<roi> ... </roi> <! 下一个切片层 >
</unblindedReadNodule>
<unblindedReadNodule> ... </unblindedReadNodule> <! 第二个 ≥3 mm 结节 >
<nonNodule> <! ≥3 mm 非结节（仅质心，无轮廓无特征） >
<nonNoduleID>NonNodule_001</nonNoduleID>
<roi>
<imageZposition>-98.0</imageZposition>
<imageSOP_UID>1.3.6.1.4.1...</imageSOP_UID>
<locus> <! 仅质心坐标 >
<xCoord>312.0</xCoord>
<yCoord>245.5</yCoord>
</locus>
</roi>
</nonNodule>
<unblindedReadNodule> <! <3 mm 微小结节 >
<noduleID>SmallNodule_001</noduleID>
<roi>
<imageZposition>-78.5</imageZposition>
<roi>
<locus>
<xCoord>400.0</xCoord>
<yCoord>180.0</yCoord>
</locus>
</roi>
</roi>
</unblindedReadNodule>
</readingSession>
<readingSession> ... </readingSession> <! 第二位放射科医师 >
<readingSession> ... </readingSession> <! 第三位 >
<readingSession> ... </readingSession> <! 第四位 >
</LidcReadMessage>
§4.2 数据字典 — DICOM 关键字段
| DICOM Tag | 名称 | 说明 |
|---|---|---|
| (0010,0020) | Patient ID | 患者标识符（去标识化后，格式 LIDC-IDRI-xxxx） |
| (0008,0020) | Study Date | 检查日期（去标识化后，默认偏移至统一日期） |
| (0008,0060) | Modality | 模态（CT / CR / DX — 主要为 CT） |
| (0018,0050) | Slice Thickness | 层厚 (mm)，范围 0.6–5.0 |
| (0028,0030) | Pixel Spacing | 面内像素间距 (mm)，范围 0.461–0.977 |
| (0028,0010) | Rows | 图像矩阵行数 (512) |
| (0028,0011) | Columns | 图像矩阵列数 (512) |
| (0028,0100) | Bits Allocated | 位分配 (16-bit) |
| (0028,0101) | Bits Stored | 实际存储位数 (12–16) |
| (0028,1052) | Rescale Intercept | HU 转换截距 (通常 −1024) |
| (0028,1053) | Rescale Slope | HU 转换斜率 (通常 1) |
| (0018,0060) | KVP | 管电压 (kVp) |
| (0018,1151) | X-ray Tube Current | 管电流 (mA) |
| (0018,1210) | Convolution Kernel | 重建核名称（厂商特定） |
| (0020,0052) | Frame of Reference UID | v3 起已修正为系列内一致 |
§4.3 结节类别体系
| 类别 | XML 元素 | 直径 | 包含信息 | 标注量 |
|---|---|---|---|---|
| ≥3 mm 结节 | <unblindedReadNodule> |
≥3 mm | 逐层轮廓 (ROI)、9 维特征评分、质心世界坐标 | 2,669 个（≥1 医师）/ 928 个（4/4 医师） |
| <3 mm 微小结节 | <unblindedReadNodule> (无特征评分) |
<3 mm | 仅质心坐标（无轮廓、无特征评分） | 4,702 个 |
| ≥3 mm 非结节 | <nonNodule> |
≥3 mm | 仅质心坐标 | 不确定 |
§4.4 共识等级体系
pylidc 提供了基于一致性规则的多级结节筛选方案，按共识严格程度递减：
| 共识等级 | 定义 | 典型结节数 | 应用场景 |
|---|---|---|---|
| 4/4（全四同） | 四位医师全部标记为 ≥3 mm 结节 | 928 个 | 最严格的金标准，用于评估算法的"纯净"检测能力 |
| 3/4（多数一致） | 至少三位标记为 ≥3 mm | 约 1,400+ 个 | LUNA16 采用的参考标准（1,186 个结节，额外剔除了层厚 >2.5 mm 扫描） |
| 2/4（半数） | 至少两位标记为 ≥3 mm | 更多 | 中等的精确度-召回率平衡 |
| 1/4（任意） | 至少一位标记为 ≥3 mm | 2,669 个 | 最大召回，适合研究"模糊结节"和观察者间分歧 |
§5 数据划分与使用建议
§5.1 官方划分方案
LIDC-IDRI 原始发布不提供预定义的训练/验证/测试划分。这是因为其设计初衷是作为一个"参考数据库"而非"机器学习 benchmark"。官方的建议是用户根据具体任务与共识等级自行定义划分方案。
§5.2 LUNA16 推荐划分
LUNA16 挑战赛从 LIDC-IDRI 中筛选 888 例薄层扫描（层厚 ≤2.5 mm，间隔一致，无缺失层），并定义了一个事实标准的 10 折交叉验证方案：
| 属性 | 取值 |
|---|---|
| 数据子集 | LIDC-IDRI 中 888 例层厚 ≤2.5 mm 的 CT 扫描 |
| 图像格式 | MetaImage (.mhd + .raw)，由 DICOM 转换而来 |
| 参考标准 | ≥3 mm 且被至少 3/4 位放射科医师标记为结节的病灶（1,186 个） |
| 交叉验证 | 10 折（subset0–subset9，每折约 88–89 例），按固定 subset 划分 |
| 评估指标 | FROC（灵敏性 vs. 平均假阳性/扫描数），汇总为 CPM（Competition Performance Metric，7 个预定义假阳性率下的平均灵敏性） |
强烈建议：对于结节检测任务，直接使用 LUNA16 的 dataset + 10 折交叉验证方案，以确保与已发表文献的可比性。
§5.3 社区常用划分策略
| 策略 | 说明 | 适用场景 |
|---|---|---|
| LUNA16 10 折 CV | 按 LUNA16 固定的 subset0–9 划分 | 结节检测（社区首选） |
| 患者级随机划分 | 80/10/10（或 70/15/15）随机划分，按患者 ID 分层（避免同一患者的不同结节跨子集） | 结节分割、特征分类 |
| 按共识等级分层 | 训练集用 3/4 共识标准，测试集用 4/4 共识标准 | 评估算法对"高质量金标准"的表现 |
| 按扫描仪厂商划分 | 四个厂商各出一个 test fold（域泛化实验） | 研究跨扫描仪泛化能力 |
| 按层厚划分 | 薄层（≤2 mm）训练，厚层（>2 mm）测试 | 研究层厚对算法性能的影响 |
§5.4 划分注意事项
- 患者级隔离是必须的：同一患者可能存在多个结节（多结节病例很常见），必须确保同一患者的所有结节/切片在同一个划分子集中，否则会导致隐式数据泄露。
- 8 名重复患者需处理：8 名患者各有 2 次不同时间点的 CT 扫描。如果按患者级划分，需要确保这两次扫描在同一个子集内（或显式排除其中一次）。
- 共识等级的选择直接影响性能数值：使用 4/4 共识作为参考标准时，灵敏度数值会天然低于 1/4 共识——这不是模型变差了，而是"什么是结节"的标准更严格了。
- LUNA16 的局限性：LUNA16 排除了 121 例层厚 >2.5 mm 的扫描，这意味着在 LUNA16 上评估的模型可能对厚层扫描的泛化能力未被验证。
§6 AI 就绪指南
§6.0 云端快速启动
# 通过 pip 安装 pylidc（Python 社区标准库）
pip install pylidc
# 首次使用时需要设置 TCIA 下载路径
# pylidc 会自动读取 DICOM 并解析 XML 标注
python -c "
import pylidc as pl
# 查询总扫描数
print(f''''''''''''''''Total scans: {pl.query(pl.Scan).count()}'''''''''''''''')
# 查询 4/4 共识的结节数
nods = pl.query(pl.Annotation).filter(pl.Annotation.spiculation > 0).count()
print(f''''''''''''''''Annotated nodules >=3mm: {nods}'''''''''''''''')
"
§6.1 PyTorch Dataset 示例
import numpy as np
import torch
from torch.utils.data import Dataset
import pylidc as pl
from pylidc.utils import consensus
class LIDCNoduleDataset(Dataset):
"""按共识等级加载 LIDC-IDRI 结节的三维图像块和分割掩码。
Args:
scans: pylidc Scan 查询列表
clevel: 共识等级 (0-1, 默认 0.5 即 ≥2/4 医师)
patch_size: 提取的图像块大小 (mm)
"""
def __init__(self, scans, clevel=0.5, patch_size=50.0):
self.patches = []
self.masks = []
for scan in scans:
vol = scan.to_volume() # HU 值三维数组
nodule_clusters = scan.cluster_annotations()
for anns in nodule_clusters:
# 获取共识掩码
cmask, bbox, _ = consensus(anns, clevel=clevel,
pad=[(0,0), (0,0), (0,0)])
# 从原体积中提取结节区域
patch = vol[bbox]
mask = cmask.astype(np.float32)
# 如果 patch 尺寸不为零，则归一化并保存
if patch.size > 0 and mask.sum() > 0:
self.patches.append(patch)
self.masks.append(mask)
def __len__(self):
return len(self.patches)
def __getitem__(self, idx):
patch = torch.from_numpy(self.patches[idx]).unsqueeze(0).float()
mask = torch.from_numpy(self.masks[idx]).unsqueeze(0).float()
# HU 值 Clip 到 [-1000, 400] 并归一化至 [0, 1]
patch = torch.clamp(patch, -1000, 400)
patch = (patch + 1000) / 1400.0
return patch, mask
# 使用示例
scans = pl.query(pl.Scan).limit(100) # 演示用 100 例
dataset = LIDCNoduleDataset(scans, clevel=0.5)
print(f''''''''''''''''Extracted {len(dataset)} nodule patches from 100 scans'''''''''''''''')
§6.2 预处理管道
import pydicom
import numpy as np
from scipy.ndimage import zoom
def preprocess_lidc_scan(dicom_dir, target_spacing=(1.0, 1.0, 1.0)):
"""
加载 LIDC-IDRI DICOM 系列并执行标准预处理：
1. HU 值提取
2. 各向同性重采样
3. 肺窗 HU 值裁剪
4. 归一化
"""
# Step 1: 加载 DICOM 系列
slices = []
import os, glob
for dcm_path in sorted(glob.glob(os.path.join(dicom_dir, ''''''''''''''''*.dcm''''''''''''''''))):
ds = pydicom.dcmread(dcm_path)
slices.append(ds)
# 按 Z 位置排序
slices.sort(key=lambda x: float(x.ImagePositionPatient[2]))
# Step 2: 提取 HU 值和 spacing
hu_volume = np.stack([
s.pixel_array * s.RescaleSlope + s.RescaleIntercept
for s in slices
]).astype(np.float32)
spacing = np.array([
float(slices[0].PixelSpacing[0]),
float(slices[0].PixelSpacing[1]),
float(slices[0].SliceThickness)
])
# Step 3: 各向同性重采样
new_shape = np.round(hu_volume.shape * spacing / target_spacing).astype(int)
resize_factors = new_shape / hu_volume.shape
hu_resampled = zoom(hu_volume, resize_factors, order=1)
# Step 4: CT 肺窗 HU 值裁剪 (-1000, 400)
hu_resampled = np.clip(hu_resampled, -1000, 400)
# Step 5: 归一化到 [0, 1]
hu_normalized = (hu_resampled + 1000) / 1400.0
return hu_normalized.astype(np.float32), spacing
§6.3 评估指标
结节检测（FROC / CPM）：
import numpy as np
from scipy.optimize import linear_sum_assignment
def compute_froc(detections, ground_truth, iou_threshold=0.3):
"""
计算 FROC (Free-Response Operating Characteristic) 曲线。
Args:
detections: List of [x, y, z, confidence]
ground_truth: List of [x, y, z, diameter]
iou_threshold: 视为命中 True Positive 的最小 IoU
Returns:
froc_sensitivities: 不同 FP/scan 下的灵敏度
avg_fp_per_scan: 平均假阳性/扫描
LUNA16 使用 CPM（7 个预定义 FP 率：1/8, 1/4, 1/2, 1, 2, 4, 8 FP/scan）
"""
# 按 confidence 降序排序
detectionevent-blocked= sorted(detections, key=lambda x: x[3], reverse=True)
sensitivities = []
fp_counts = []
for i in range(1, len(detections) + 1):
current_dets = detections[:i]
# 贪心匹配（简化版；完整实现需 3D IoU 计算）
tp = 0
gt_matched = set()
for det in current_dets:
best_iou = 0
best_gt = -1
for j, gt in enumerate(ground_truth):
if j in gt_matched:
continue
iou = compute_3d_iou(det[:3], gt[:3])
if iou > best_iou:
best_iou = iou
best_gt = j
if best_iou >= iou_threshold and best_gt >= 0:
tp += 1
gt_matched.add(best_gt)
sensitivities.append(tp / len(ground_truth) if ground_truth else 0)
fp_counts.append(i - tp)
return np.array(sensitivities), np.array(fp_counts) / 1.0 # per scan
def compute_3d_iou(box_a, box_b):
"""简化的 3D IoU 计算（实际实现需依赖结节直径和球体重叠）"""
# 使用 L2 距离近似；完整版本需要基于球体/椭球体重叠计算
dist = np.linalg.norm(np.array(box_a) - np.array(box_b))
return max(0, 1.0 - dist / 30.0) # 30mm 为最大结节直径
结节分割（Dice Similarity Coefficient + HD95）：
def dice_coefficient(pred, target, smooth=1e-6):
"""计算 3D 容积 Dice 系数"""
pred_flat = pred.flatten()
target_flat = target.flatten()
intersection = (pred_flat * target_flat).sum()
return (2.0 * intersection + smooth) / (pred_flat.sum() + target_flat.sum() + smooth)
def hausdorff_distance_95(pred, target):
"""计算 95th 百分位 Hausdorff Distance (mm)"""
from scipy.ndimage import distance_transform_edt
# 获取表面体素
border_pred = pred ^ (np.pad(pred, 1)[1:-1, 1:-1, 1:-1] if pred.ndim == 3 else pred)
border_target = target ^ (np.pad(target, 1)[1:-1, 1:-1, 1:-1] if target.ndim == 3 else target)
# 距离变换
dt_pred = distance_transform_edt(~pred.astype(bool))
dt_target = distance_transform_edt(~target.astype(bool))
# 计算 HD95
dist_pred_to_target = dt_target[border_pred > 0]
dist_target_to_pred = dt_pred[border_target > 0]
if len(dist_pred_to_target) == 0 or len(dist_target_to_pred) == 0:
return 0.0
return max(np.percentile(dist_pred_to_target, 95),
np.percentile(dist_target_to_pred, 95))
§6.4 推荐模型与框架
| 任务 | 推荐架构 | 推荐框架 | 说明 |
|---|---|---|---|
| 结节检测 | Faster R-CNN (3D) / YOLO 3D 变体 / nnDetection | PyTorch + MONAI | LUNA16 社区主流方案是两阶段：候选生成 (candidate generation) + 假阳性削减 (false positive reduction) |
| 结节分割 | nnU-Net (3D full resolution) | nnU-Net (PyTorch) | nnU-Net 在 LIDC-IDRI 分割任务上不需要任何调参就能达到接近 SOTA |
| 良恶性分类 | ResNet-50 (3D) / Swin Transformer + 影像组学特征 | PyTorch + PyRadiomics | 融合深度学习特征与手工影像组学特征通常优于单独使用任何一方 |
| 观察者间变异建模 | Bayesian U-Net / Deep Ensemble / MC Dropout | PyTorch | 利用四重标注中的分歧作为不确定性估计的正则化信号 |
§6.5 计算资源估算
| 任务 | 硬件需求 | 训练时间（估计） | GPU 显存建议 |
|---|---|---|---|
| 结节检测 (3D, LUNA16) | 1× A100 (40 GB) | 24–48 小时 | ≥24 GB |
| 结节分割 (nnU-Net 3D) | 1× V100/A100 (32 GB) | 48–72 小时 | ≥32 GB |
| 结节分类 (3D ResNet) | 1× RTX 3090 (24 GB) | 12–24 小时 | ≥12 GB |
| 特征评分预测（多任务） | 1× RTX 3090 | 12–24 小时 | ≥12 GB |
§6.6 坑点与解决方案
⚠️ 坑点 1：XML 标注解析的复杂性
LIDC-IDRI 的标注文件是复杂的层次化 XML 结构，手动解析极易出错。不应从零实现 XML 解析器。
解决方案：使用 pylidc（
pip install pylidc）——这是社区维护的标准 Python 库，已处理所有已知 XML 格式问题（包括评分体系不一致、特征评分遗漏等）。pylidc 自动按 study_instance_uid 关联 DICOM 与 XML、按空间位置聚类结节（同一结节在不同 reader 中的标注自动归组）、生成共识掩码。如果无需 Python 环境，可使用 DICOM-LIDC-IDRI-Nodules 项目将标注转换为 DICOM SEG 格式。
⚠️ 坑点 2：Reader ID 不可跨扫描追踪
XML 文件中的 reader 编号（reader 1, reader 2…）在不同扫描之间不一致——某扫描的 “reader 1” 与另一个扫描的 “reader 1” 通常不是同一位放射科医师。
后果：无法进行按放射科医师分层的一致性分析（如"Reader A 在所有扫描上的标注重合率多高"）。只能做按扫描的观察者间分析。
解决方案：如果你的研究问题涉及医师间的一致性模式，应选择同时参与相同病例标注的 reader 组合（即同一个 XML 内标注同一结节的 reader），而非跨扫描比较 reader 编号。在论文中明确说明这一限制。
⚠️ 坑点 3：共识等级是性能的隐性调节参数
严格使用 4/4 共识（928 个结节）时，很多模型报告很高的精度但较低的召回率——这并非模型差，而是"什么是结节"的标准极其严格。反之，使用 1/4 标准（2,669 个结节）时可能把许多放射科医师间有争议的病灶也纳入金标准。
解决方案：(1) 报告模型在不同共识等级下的性能，而非单一数值；(2) 对于检测任务，推荐 LUNA16 的标准（≥3/4 医师同意），便于与社区文献对比；(3) 如果使用自定义标准，必须在论文中明确声明并解释选择的理由。
⚠️ 坑点 4：层厚异质性对 3D 模型的影响
LIDC-IDRI 包含 11 种不同层厚（0.6–5.0 mm）。如果将所有扫描统一重采样到相同的各向同性分辨率，厚层扫描将在 Z 轴出现严重的插值伪影；如果不重采样，3D 卷积核在 Z 轴的实际感受野将随扫描变化——两种选择都不是完美的。
解决方案：(1) 对于检测任务，LUNA16 的排除厚层扫描（>2.5 mm）是最简单可靠的方法；(2) 对于域泛化研究，建议按层厚分层报告性能（如"≤1.5 mm 组 Dice 0.90, >2.0 mm 组 Dice 0.82"，而非只报告一个全局数值；(3) 对厚层扫描使用 2.5D 方案（多层 2D 切片作为输入通道）通常比全 3D 卷积更鲁棒。
⚠️ 坑点 5：HU 值窗口选择的重要性
肺结节的分割和分类高度依赖于 HU 值窗口的设置。不同的窗口会显著改变结节的视觉呈现：肺窗（WL −500, WW 1500）突出肺实质结构；纵隔窗（WL 50, WW 350）突出软组织；骨窗（WL 500, WW 2000）突出钙化。
解决方案：LIDC-IDRI 的 CT 数据本身是原始 HU 值（非窗口化图像），应在预处理阶段保留 HU 值的全部动态范围，仅在输入模型前做裁剪（如 −1000 到 +400 HU）而不做窗口化。在论文中明确说明 HU 值裁剪范围。如果模型使用多个窗口作为输入通道（多窗口融合），需显式描述每个窗口的设置。
⚠️ 坑点 6：结节轮廓的观察者间变异
放射科医师对同一结节在不同层的轮廓边界存在显著差异——特别是在结节与邻近血管或胸壁交界处。直接使用某一位医师的轮廓作为"金标准"会系统性低估分割模型的真实性能（因为模型学到的是"模仿某一位医师"而非"精准分割结节"）。
解决方案：(1) 使用 50% 共识掩码（pylidc
consensus(anns, clevel=0.5)）作为参考标准，要求 ≥2 位医师的轮廓重叠区域才算正类；(2) 使用 STAPLE (Simultaneous Truth and Performance Level Estimation) 算法从多重标注中估计一个概率化的"共识真实值"；(3) 如果使用单一 reader 的标注，将结果与该 reader 的 intra-reader variability 进行比较而非与"绝对真实值"比较。
⚠️ 坑点 7：标注中的"非结节"不等于"无病灶"
LIDC-IDRI 的 <nonNodule> 标记（≥3 mm 非结节）被放射科医师判定为"不是肺结节"——但可能是疤痕、肉芽肿、肺不张、血管截面等真实的解剖结构或病理变化。在结节检测任务中，将这些非结节全部当作"背景"训练容易让模型对类似形态的结构（如小疤痕）产生混淆。
解决方案：(1) 在检测模型的负样本采样中，优先从非结节标记位置附近采样困难负样本（hard negative mining）；(2) LUNA16 提供了
annotations_excluded.csv文件，列出了所有不纳入参考标准但存在于原标注中的"无关发现"，可用于精细化负样本策略。
⚠️ 坑点 8：重建核对纹理分析的影响
LIDC-IDRI 使用 4 类重建核：Soft（67 例）、Standard（560 例）、Slightly Enhancing（264 例）、Overenhancing（127 例）。重建核类型直接影响 CT 图像的噪声水平、边缘锐度和纹理特征——基于 Soft 核训练的纹理分析模型可能无法迁移到 Overenhancing 核的图像上。
解决方案：(1) 如果研究涉及影像组学（radiomics）或纹理分类，必须按重建核分层报告性能；(2) 训练时按重建核分组做数据增强（如添加高斯噪声模拟不同核之间的差异）；(3) 在 PyRadiomics 中启用
normalize=True和resampledPixelSpacing配置以降低重建核的混淆效应。
§6.7 从 LIDC-IDRI 到 LUNA16 的迁移指南
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 下载 LUNA16 数据 | 从 LUNA16 官网下载 10 个 subset .zip 文件 + annotations.csv + candidates_V2.csv |
| 2 | 加载 MetaImage 格式 | 使用 SimpleITK（sitk.ReadImage）读取 .mhd 文件 |
| 3 | 解析标注 | annotations.csv 含 SeriesInstanceUID + X/Y/Z 世界坐标 + 直径 (mm) |
| 4 | 划分 10 折 | 按 subset0–9 对应的扫描列表划分训练/验证折 |
| 5 | 候选项生成 | 或使用官方提供的 candidates_V2.csv（551,065 个候选项，识出 1,166/1,186 个结节） |
| 6 | 评估 | 使用 LUNA16 官方 evaluation_luna16.py 脚本计算 CPM 分数 |
§6.8 工具链一览
| 工具 | 类型 | 用途 | 链接 |
|---|---|---|---|
| pylidc | Python 库 | 一站式 LIDC-IDRI 数据加载、结节聚类、共识掩码生成、DICOM→NIfTI 转换 | https://github.com/pylidc/pylidc |
| DICOM-LIDC-IDRI-Nodules | DICOM 转换 | 将 XML 标注转为标准 DICOM SEG 对象 | TCIA 关联项目页面 |
| NBIA Data Retriever | 下载工具 | TCIA 官方批量下载客户端 (Windows/Mac/Linux) | TCIA 下载页面 |
| LUNA16 evaluation script | 评估脚本 | LUNA16 官方结节检测 FROC 评估代码 | https://luna16.grand-challenge.org/Download |
| PyRadiomics | Python 库 | 从 LIDC-IDRI 结节区域提取影像组学特征 | https://pyradiomics.readthedocs.io |
| MONAI | 深度学习框架 | 医学影像专用的 3D 数据处理与训练流水线 | https://monai.io |
| nnU-Net | 分割框架 | 零配置自动调参的 3D 医学影像分割 | https://github.com/MIC-DKFZ/nnUNet |
| SimpleITK | 图像处理库 | 读取 LUNA16 的 .mhd 文件、HU 值转换 | https://simpleitk.org |
| pydicom | DICOM 库 | 读取原始 DICOM 文件的像素数据和元信息 | https://pydicom.github.io |
§6.9 标注衍生与二次标注
| 衍生物 | 创建方式 | 用途 |
|---|---|---|
| 50% 共识掩码 | pylidc consensus(anns, clevel=0.5) |
分割任务的标准参考 |
| STAPLE 概率估计 | 多重标注 → STAPLE 算法融合 | 比简单多数投票更精准的概率化真值 |
| DICOM SEG 标注 | DICOM-LIDC-IDRI-Nodules 项目 | 在标准 PACS/查看器中直接显示 |
| LUNA16 参考标准 | ≥3/4 医师标记为 ≥3 mm 结节（仅薄层） | 结节检测的事实标准评估集 |
| 影像组学特征集 | PyRadiomics 从每结节区域提取 100+ 特征 | 传统机器学习结节分类 |
§7 质量评估与局限性
§7.1 观察者间一致性分析
LIDC-IDRI 的设计核心——无强制共识的多观察者标注——使其成为研究放射科医师间判断差异的最重要公共资源。Armato et al. (2011) 报告，在 ≥3 mm 结节中，仅 34.7%（928/2,669）被全部四位放射科医师一致标记；这一数字说明肺结节判断中存在着实质性的主观差异。
Li et al. (2017, Academic Radiology) 对 1,880 个结节做了系统性的观察者间分歧量化：
| 特征 | 均值分歧 (1–5 量表) | 等级 |
|---|---|---|
| Subtlety（精细度） | 0.2341 | 分歧最大 |
| Malignancy（恶性概率） | 0.2144 | 高分歧 |
| Sphericity（球形度） | 0.2174 | 高分歧 |
| Margin（边缘） | 0.2228 | 高分歧 |
| Lobulation（分叶） | 0.1943 | 中高分歧 |
| Spiculation（毛刺） | 0.1616 | 中等分歧 |
| Texture（纹理） | 0.1351 | 中等分歧 |
| Calcification（钙化） | 0.0393 | 低分歧 |
| Internal Structure（内部结构） | 0.0052 | 分歧最小 |
这组数据揭示了一个关键事实："客观"的形态学特征（如分叶/毛刺）实际上放射科医师间的分歧远大于"明确"的特征（如钙化/内部结构）。对此，任何基于这些评分训练的良恶性分类模型都必须面对以下挑战：目标标签本身就带有 ~0.2 的固有不确定性。
§7.2 双阶段标注的改进效果
Armato et al. 对 30 例 CT 的双轮一致性研究表明，非盲复核阶段（phase 2）确实改善了放射科医师间的一致性——在盲读阶段，四医师一致标记的比例显著低于最终（非盲复核后）的结果。然而，即使在非盲复核后，仍有相当比例的结节仅被 1 或 2 位医师标记。
§7.3 数据偏倚
| 偏倚类型 | 详情 | 缓解措施 |
|---|---|---|
| 选择偏倚 | 病例按"含约 1–6 个肺结节"粗略筛选，未做随机或分层抽样；排除严重伪影影响判读的病例 | 在论文中明确描述目标人群与实际纳入人群的差异 |
| 机构偏倚 | 全部来自美国 7 个学术医疗中心，非国际分布；患者人群种族/社会经济构成未公开 | 模型部署到其他人群前必须做外部验证 |
| 标注者偏倚 | 12 位标注医师全部为经验丰富的胸科专科医师——可能倾向于"过度检出"（敏感但特异性较低） | 使用共识等级分层报告结果，不将单一医师的标注当作绝对真理 |
| 模态偏倚 | 缺乏 CT 以外的其他模态（PET-CT、MRI、病理切片）作为联合参考标准 | 对于需要病理确认的任务，推荐使用 NSCLC-Radiomics 或 NLST |
| 性别与年龄偏倚 | 原始论文未按性别/年龄公布患者分布——无法评估这些维度的代表性 | 在训练前对 DICOM 头中的年龄/性别字段做探索性分析 |
§7.4 标注质量
| 维度 | 评估 |
|---|---|
| 标注者数量 | 4 位/扫描，12 位总计 — 医学影像领域最丰富的标注者池之一 |
| 标注者资质 | 均为经认证且有胸科亚专业资深经验的放射科医师 |
| 标注流程 | 两阶段独立标注（盲读→非盲复核），附详细书面操作指南，不强制共识 |
| 标注完整度 | ≥3 mm 结节：完整轮廓 + 9 维特征；<3 mm 结节：仅质心；≥3 mm 非结节：仅质心 |
| 病理确诊 | 仅少数病例有活检确认（不足作为主要的良恶性金标准） |
| 外部验证 | Luna16 的观察者研究发现：CAD 系统的"假阳性"中有相当比例被后续四位独立放射科医师协同确认为真结节——这反过来说明原始标注中存在遗漏 |
§7.5 与其他数据集的已知差异性
| 对比数据集 | 性能差异的可能原因 |
|---|---|
| NLST | NLST 为纯筛查队列（无症状高危人群），结节尺寸特征分布偏向更小更细微；LIDC-IDRI 为临床混合队列，含症状患者，结节分布更宽 |
| Kaggle DSB 2017 | DSB 2017 标注方式不同（语义分割掩码 vs. LIDC 的轮廓 + 特征评分），且 DSB 标注者非放射科医师，两数据集在"什么算结节"的定义上存在系统性偏移 |
| NSCLC-Radiomics | 该数据集仅有经病理确诊的 NSCLC 病例，与 LIDC-IDRI 的混杂性质（含良性、转移性、不确定结节）不同 |
§7.6 数据可用性限制
- 层厚不均：121 例扫描的层厚 >2.5 mm 且 ≤5.0 mm，不适合用于需要各向同性分辨率的 3D 分析
- 缺少纵向数据：虽然 8 位患者有 2 次扫描，但数据集整体不支持结节生长速度分析（需要多时间点且结节匹配的纵向队列）
- 缺乏结构化临床信息：没有患者的吸烟史、肿瘤家族史、既往癌症史、治疗记录等结构化临床数据
- 对比度不统一：部分扫描使用静脉对比增强 (contrast-enhanced)，部分未使用——这对结节增强模式的分析可能造成混淆
§7.7 DAIMS 24 项数据就绪度评估
| # | 维度 | 评估项 | 是/否/部分 | 评分 |
|---|---|---|---|---|
| 1 | 数据集识别 | 是否有明确的名称和版本号？ | 是 | ✅ |
| 2 | 数据集识别 | 是否提供持久标识符 (DOI)？ | 是 — 论文 DOI + TCIA DOI | ✅ |
| 3 | 数据集构成 | 样本量和特征维度是否完整描述？ | 是 | ✅ |
| 4 | 数据集构成 | 数据格式是否标准化且有文档？ | 是 — DICOM + XML 均有正式规范 | ✅ |
| 5 | 数据收集 | 采集环境和设备是否完整记录？ | 是 — 16 种扫描仪型号、参数详细 | ✅ |
| 6 | 数据收集 | 入排标准是否明确？ | 部分 — 粗略描述但未按人口统计分层 | ⚠️ |
| 7 | 标注过程 | 标注协议是否详细描述？ | 是 — 两阶段流程、操作指南完整 | ✅ |
| 8 | 标注过程 | 标注者资质和数量是否说明？ | 是 — 12 位胸部放射科医师 | ✅ |
| 9 | 标注质量 | 是否报告了标注者间一致性？ | 是 — 按特征量化了分歧 | ✅ |
| 10 | 标注质量 | 是否提供了金标准/参考标准？ | 部分 — 共识等级可作参考，但无病理金标准 | ⚠️ |
| 11 | 数据划分 | 是否提供了推荐的训练/测试划分？ | 否 — 原始数据无划分（LUNA16 衍生集提���了 10 折 CV） | ❌ |
| 12 | 数据划分 | 划分是否避免了患者级泄漏？ | N/A — 但 LUNA16 的设计规避了此问题 | — |
| 13 | 隐私与伦理 | 是否描述了去标识化方法？ | 是 — 各机构在提交前完成 | ✅ |
| 14 | 隐私与伦理 | 是否获得了 IRB 批准？ | 是 | ✅ |
| 15 | 使用条款 | 许可证是否明确？ | 是 — CC BY 3.0 | ✅ |
| 16 | 使用条款 | 是否有使用限制？ | 否 — 除署名外无限制 | ✅ |
| 17 | 可重复性 | 预处理流程是否可复现？ | 部分 — 依赖 pylidc 等社区工具 | ⚠️ |
| 18 | 可重复性 | 评估方法和评价脚本是否公开？ | 部分 — LUNA16 提供了评估脚本，但原始 LIDC-IDRI 无 | ⚠️ |
| 19 | 公平性 | 是否报告了人口统计分布？ | 否 — 原始论文未按性别/年龄/种族分层 | ❌ |
| 20 | 公平性 | 是否讨论了潜在的偏倚？ | 部分 — 论文中简要提及，但未系统性分析 | ⚠️ |
| 21 | 可维护性 | 数据集是否长期可访问？ | 是 — TCIA 承诺长期托管 | ✅ |
| 22 | 可维护性 | 是否有已知问题的记录？ | 是 — TCIA 页面详细记录所有已知错误和修复 | ✅ |
| 23 | 应用上下文 | 是否说明了数据集的预期用途和不适用范围？ | 是 — 论文明确描述为 CAD 开发/评估 | ✅ |
| 24 | 应用上下文 | 是否提供了使用示例或入门指南？ | 部分 — pylidc 文档提供了社区维护的示例 | ⚠️ |
DAIMS 总评：17.0/24（良好）。主要扣分点：没有预定义的数据划分方案（依赖 LUNA16 衍生集）、人口统计分布未公开、不可作为病理诊断金标准。加分项：标注者间一致性量化、长期托管承诺、已知问题透明记录——这些在早期数据集中非常罕见。
§7.8 外部验证矩阵
| 验证场景 | 外部数据集 | 验证内容 | 典型发现 |
|---|---|---|---|
| 跨数据集结节检测 | NLST (部分公开子集) | 在 LIDC-IDRI 训练的检测模型迁移到 NLST 筛查队列 | 灵敏度通常下降 5–10%，因为 NLST 以细微结节为主 |
| 跨中心验证 | NSCLC-Radiomics (422 CT) | 在 LIDC-IDRI 训练的良恶性分类模型测试 | AUC 下降 5–15%，因为 NSCLC-Radiomics 仅有经病理确诊的 NSCLC |
| 跨扫描仪验证 | 按厂商分层 | 在 GE 扫描上训练的模型测试在 Siemens/Philips 扫描上 | mAP 下降 2–5%，取决于重建核相似度 |
| 跨层厚验证 | 按层厚分层（≤2 mm train, >2 mm test） | 薄层训练的模型在厚层扫描上的分割性能 | Dice 下降 10–15%，厚层 Z 轴插值伪影是主因 |
| CAD 发现遗漏结节 | LUNA16 独立观察者研究 | CAD 系统的"假阳性"被四位独立放射科医师审阅 | 相当比例（45 个结节）被确认为真结节——原始标注存在遗漏 |
§8 基准性能与生态
§8.1 结节检测排行榜
| 方法 | 年份 | 架构 | 数据集 | 灵敏度/召回率 | FPs/扫描 | 备注 |
|---|---|---|---|---|---|---|
| Lung-YOLO | 2024 | YOLO 变体 + 多尺度注意力 | LIDC-IDRI | 93.4% Recall / 95.9% mAP | N/A | 轻量级实时检测 |
| LUNA16 Combination (最佳融合) | 2017 | 多 CAD 系统融合 | LUNA16 | 95.2% @ 1 FP/s | — | CPM 0.952（7 个预定义 FP 率平均值） |
| LUNA16 Best Single ConvNet (CUMedVis) | 2017 | 3D ConvNet (NoduleNet) | LUNA16 | 94.8% @ 1 FP/s | — | CPM 0.908 |
| etrocad (ISBI 2016 冠军) | 2016 | 手工特征 + 随机森林 | LUNA16 | 92.1% @ 1 FP/s | — | CPM 0.811 |
| GLANCE (联合检测+分割) | 2025 | 双流编码器 + 跨尺度共识融合 | LUNA16 | 95.7% @ 1 FP/s | — | 联合优化检测与分割全面提升 |
| Setio et al. (基准线) | 2017 | 3D ConvNet 假阳性削减 | LUNA16 | 90.1% @ 1 FP/s | — | LUNA16 综述论文中报告的基准 |
§8.2 结节分割排行榜
| 方法 | 年份 | 架构 | Dice | HD95 (mm) | 备注 |
|---|---|---|---|---|---|
| GLANCE | 2025 | 双流编码器 + 全局-局部交换 | 95.5% | 0.7 mm | 联合检测+分割，HD95 降低 30% |
| Wavelet U-Net++ | 2024 | 小波变换 + U-Net++ | 93.0% | — | |
| EMeRALDS (Visual Prompt, 2D) | 2025 | SAM2 + CLIP 文本提示 | 92.0% | — | 使用视觉提示 + ViT-B/32 对齐 |
| SaraNet | 2024 | 语义聚合 + 反向注意力 U-Net | 89.11% | — | Sensitivity 90.73% |
| EMeRALDS (Text Prompt, 3D) | 2025 | SAM2 + CLIP | 81.0% | — | 纯文本提示（全自动） |
§8.3 肺结节分类（良恶性）性能
| 方法 | 年份 | 输入 | AUC | 备注 |
|---|---|---|---|---|
| Hancock & Magnan (2016) | 2016 | 仅放射科医师标注的影像特征（无原始像素） | ~0.85–0.90 | 两项统计学习方法，利用 9 维特征作为直接预测变量 |
| 多任务学习（弱监督） | 2024 | CT 序列 + ConvLSTM | 87.80% CPM 检测 + 83.95% Dice 分割 | 检测-分割-分类联合多任务 |
§8.4 衍生挑战赛与竞赛
| 挑战赛 | 年份 | 平台 | 核心任务 | 参赛规模 | 数据集来源 |
|---|---|---|---|---|---|
| LUNA16 | 2016 | Grand Challenge | 肺结节检测（FROC）+ 假阳性削减 | ~200 支注册队伍 | LIDC-IDRI 888 例子集 |
| ANODE09 | 2009 | Grand Challenge | 肺结节检测 | ~10 支队伍 | 独立数据集（50 例）— LIDC-IDRI 的前身比较基准 |
| Kaggle DSB 2017 | 2017 | Kaggle | 肺癌诊断（CT 结节检测 + 癌症概率） | 1,972 支队伍 | 独立数据集（含 LIDC-IDRI 以外案例） |
§8.5 生态快照
LIDC-IDRI (2011, Armato et al.)
│
├─ 核心工具链
│ ├─ pylidc (Python 社区标准库)
│ ├─ DICOM-LIDC-IDRI-Nodules (DICOM SEG 格式转换)
│ └─ PyRadiomics (影像组学特征提取)
│
├─ 衍生挑战赛
│ └─ LUNA16 (2016–2018, MIUA 综述)
│ ├─ CUMedVis (CPM 0.908)
│ ├─ etrocad (CPM 0.811)
│ └─ 最佳融合 (CPM 0.952)
│
├─ 相关 TCIA 数据集
│ ├─ QIN-LungCT-Seg (肺结节分割)
│ ├─ NSCLC-Radiomics (NSCLC 影像组学)
│ ├─ SAROS (影像组学特征标准)
│ └─ Radiomic-Feature-Standards
│
├─ 社区镜像与平台
│ ├─ Kaggle LIDC-IDRI 子集
│ ├─ OpenDataLab (中国)
│ ├─ Aistudio 百度飞桨 (中国)
│ └─ NCI Imaging Data Commons (IDC, 云端)
│
└─ 关键综述论文
├─ Setio et al. (2017, MIA) — LUNA16 综述
├─ Jacobs et al. (2016, IEEE TMI) — LIDC-IDRI 子集分析
├─ Li et al. (2017, Acad Radiol) — 观察者间分歧系统量化
└─ van Ginneken et al. (2015, Eur Radiol) — 首个全量 LIDC-IDRI 的 CAD 基准
§9 相关资源与引用
§9.1 关键参考论文
-
Armato SG 3rd, McLennan G, Bidaut L, et al. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A Completed Reference Database of Lung Nodules on CT Scans. Medical Physics, 2011, 38(2): 915–931. DOI: 10.1118/1.3528204. — 原始数据集论文，必引。
-
Setio AAA, Traverso A, de Bel T, et al. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge. Medical Image Analysis, 2017, 42: 1–13. DOI: 10.1016/j.media.2017.06.015. — LUNA16 挑战赛综述论文，汇总 15 支队伍的结节检测性能并发现 CAD 能检测遗漏结节。
-
Jacobs C, van Rikxoort EM, Murphy K, et al. Computer-aided detection of pulmonary nodules: a comparative study using the public LIDC/IDRI database. European Radiology, 2016, 26: 2139–2147. DOI: 10.1007/s00330-015-4030-7. — 首个报告三个 CAD 系统在完整 LIDC-IDRI 数据库上综合性���的论文。
-
Li Q, Balagurunathan Y, Liu Y, et al. Measuring Interobserver Disagreement in Rating Diagnostic Characteristics of Pulmonary Nodule Using the LIDC/IDRI Database. Academic Radiology, 2017, 24(3): 316–327. DOI: 10.1016/j.acra.2016.10.008. — 系统性量化 9 维特征评分中放射科医师间的观察者分歧。
-
Hancock MC, Magnan JF. Lung nodule malignancy classification using only radiologist quantified image features as inputs to statistical learning algorithms: probing the Lung Image Database Consortium dataset with two statistical learning methods. SPIE Journal of Medical Imaging, 2016, 3(4): 044504. DOI: 10.1117/1.JMI.3.4.044504. — 仅使用 LIDC 的 9 维人工标注特征进行良恶性分类的经典基准。
-
Clark K, Vendt B, Smith K, et al. The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository. Journal of Digital Imaging, 2013, 26(6): 1045–1057. DOI: 10.1007/s10278-013-9622-7. — TCIA 平台的介绍论文，LIDC-IDRI 的长期托管基础设施。
-
McNitt-Gray MF, Armato SG 3rd, Meyer CR, et al. The Lung Image Database Consortium (LIDC) Data Collection Process for Nodule Detection and Annotation. Academic Radiology, 2007, 14(12): 1464–1474. DOI: 10.1016/j.acra.2007.07.021. — LIDC 数据收集流程的详细方法学论文（早于完整版发布）。
-
Zinovev D, Raicu D, Furst J, et al. Predicting Radiological Panel Opinions Using a Panel of Machine Learning Classifiers. Algorithms, 2009, 2(4): 1473–1502. — 最早利用 LIDC 标注的机器学习研究之一，展示如何从底层图像特征预测放射科医师评分。
§9.2 官方资源链接
| 资源 | URL |
|---|---|
| TCIA LIDC-IDRI 页面 | https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=1966254 |
| TCIA 快速浏览器 (LIDC-IDRI) | https://www.cancerimagingarchive.net/collection/lidc-idri |
| LUNA16 挑战赛官网 | https://luna16.grand-challenge.org |
| pylidc GitHub | https://github.com/pylidc/pylidc |
| pylidc 文档 | https://pylidc.github.io |
| DICOM-LIDC-IDRI-Nodules | https://wiki.cancerimagingarchive.net/display/DOI/DICOM-LIDC-IDRI-Nodules |
| NCI Imaging Data Commons (LIDC-IDRI) | https://portal.imaging.datacommons.cancer.gov |
| NBIA Data Retriever 下载 | https://wiki.cancerimagingarchive.net/display/NBIA/Downloading+TCIA+Images |
| XML Schema 定义 (voi_array.xsd) | 包含在 LIDC-XML-only.zip 中 |
§9.3 BibTeX 引用
@article{armato2011lung,
author = {Armato, Samuel G., III and McLennan, Geoffrey and Bidaut, Luc
and McNitt-Gray, Michael F. and Meyer, Charles R. and Reeves,
Anthony P. and Zhao, Binsheng and Aberle, Denise R. and Henschke,
Claudia I. and Hoffman, Eric A. and Kazerooni, Ella A. and
MacMahon, Heber and Van Beek, Edwin J. R. and Yankelevitz, David
and Biancardi, Alberto M. and Bland, Peyton H. and Brown, Matthew S.
and Engelmann, Roger M. and Laderach, Gary E. and Max, Daniel
and Pais, Richard C. and Qing, David P. Y. and Roberts, Rachael Y.
and Smith, Amanda R. and Starkey, Adam and Batra, Poonam and
Caligiuri, Philip and Farooqi, Ali and Gladish, Gregory W. and
Jude, C. Matilda and Munden, Reginald F. and Petkovska, Iva and
Quint, Leslie E. and Schwartz, Lawrence H. and Sundaram, Baskaran
and Dodd, Lori E. and Fenimore, Charles and Gur, David and
Petrick, Nicholas and Freymann, John and Kirby, Justin and
Hughes, Brian and Casteele, Alessi Vande and Gupte, Sangeeta and
Sallam, Maha and Heath, Michael D. and Kuhn, Michael H. and
Dharaiya, Ekta and Burns, Richard and Fryd, David S. and
Salganicoff, Marcos and Anand, Vikram and Shreter, Uri and
Vastagh, Stephen and Croft, Barbara Y.},
title = {The Lung Image Database Consortium ({LIDC}) and Image Database
Resource Initiative ({IDRI}): A Completed Reference Database of
Lung Nodules on {CT} Scans},
journal = {Medical Physics},
volume = {38},
number = {2},
pages = {915931},
year = {2011},
doi = {10.1118/1.3528204}
}
@misc{armato2015lidc,
author = {Armato, Samuel G., III and McLennan, Geoffrey and Bidaut, Luc
and McNitt-Gray, Michael F. and Meyer, Charles R. and Reeves,
Anthony P. and Clarke, Laurence P.},
title = {Data From {LIDC-IDRI}},
publisher = {The Cancer Imaging Archive},
year = {2015},
doi = {10.7937/K9/TCIA.2015.LO9QL9SX}
}
@article{setio2017validation,
author = {Setio, Arnaud Arindra Adiyoso and Traverso, Alberto and de Bel,
Thomas and Berens, Moira S. N. and van den Bogaard, Cas and
Cerello, Piergiorgio and Chen, Hao and Dou, Qi and Fantacci,
Maria Evelina and Geurts, Bram and van der Gugten, Robbert and
Heng, Pheng Ann and Jansen, Bart and de Kaste, Michael M. J. and
Kotov, Valentin and Lin, Jack Yu-hsiang and Manders, Jeroen T.
M. C. and Sonora-Mengana, Alexander and Naranjo, Juan Carlos
and Prokop, Mathias and Saletta, Marco and Schaefer-Prokop,
Cornelia M. and Scholten, Ernst T. and Scholten, Luuk and
Snoeren, Miranda M. and Torres, Ernesto Lopez and Vandemeulebroucke,
Jef and Walasek, Nicole and Zuidhof, Guido C. A. and van Ginneken,
Bram and Jacobs, Colin},
title = {Validation, comparison, and combination of algorithms for automatic
detection of pulmonary nodules in computed tomography images: The
{LUNA16} challenge},
journal = {Medical Image Analysis},
volume = {42},
pages = {113},
year = {2017},
doi = {10.1016/j.media.2017.06.015}
}
§10 AI 使用声明卡
本页面的初始版本由千方病案医学编辑部通过 AI 辅助撰写，并经过以下人工校验流程：
§10.4 人工校验清单
| 校验项 | 状态 | 校验人/日期 |
|---|---|---|
| §2 医学背景（ICD-11 / SNOMED CT 编码准确性） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
| §3 数据集规格（版本信息、下载容量、扫描仪型号与参数核对） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
| §4 数据结构（XML Schema / DICOM Tag / 数据字典字段类型核实） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
| §5 数据划分（LUNA16 10 折交叉验证 / 共识等级定义 / 患者级隔离策略） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
| §6 AI 就绪指南（PyTorch 代码 / pylidc API 调用 / 评估函数 / 坑点技术方案） | �� 已通过 | 千方病案医学编辑部，2026-07-29 |
| §7 质量评估（DAIMS 评分 / 观察者间分歧数据 / 已知数据问题列表） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
| §8 基准性能（排行榜数据 / FROC 曲线 / 分割 Dice 数值 / 方法出处） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
| §9 相关资源（DOI / BibTeX / 官方链接 / 引用次数标注日期） | ✅ 已通过 | 千方病案医学编辑部，2026-07-29 |
页面状态：published
