LiTS

INFOBOX

数据集名称	LiTS (Liver Tumor Segmentation Benchmark)
英文全称	Liver Tumor Segmentation Benchmark
别名 / 简称	LiTS17、LiTS Challenge、Liver Tumor Segmentation、MSD Task03 Liver
疾病分类	肝脏肿瘤（KK73 恶性肿瘤 / 2C12 肝细胞癌 / 2C14 肝内胆管癌 / 2B72 继发性肝恶性肿瘤）
SNOMED CT	254837009 Liver tumor / 82711006 Malignant tumor of liver / 372031002 Hepatocellular carcinoma / 93761008 Liver metastasis
数据模态	影像（对比增强腹部 CT，门静脉期，3D 体数据）
标注类型	语义分割（3 类：背景 / 肝脏 / 肿瘤），逐像素标注
标注格式	NIfTI (.nii)，0=背景, 1=肝脏, 2=肿瘤
总样本数	201 例 CT 体数据（131 训练 + 70 测试）
切片总数	约 58,638 张轴向切片（训练集）
多中心来源	7 家临床机构（德国 / 荷兰 / 加拿大 / 法国 / 以色列）
图像尺寸	~512×512×（42~1026）轴向切片，中位数 512×512×432
体素间距	面内 0.56~1.0 mm，层厚 0.45~6.0 mm
肿瘤数量/例	0~12 个
肿瘤体积范围	中位数 16.11×10³ mm³（训练集），34.78×10³ mm³（测试集）
标注者	4 名放射科医生（R1 原始共识标注 → R2 重新标注 15 例 → R3 委员会认证审核 → R4 最终校正）
标注者间一致性	肿瘤 Dice 70.2%（R1 vs R2 新标注）/ 95.2%（R1 vs R3/R4 委员会认证）
许可证	CC-BY-NC-SA 4.0
数据集版本	v1 (ISBI 2017) / v2 (MICCAI 2017, 新增肝脏分割任务) / v3 (MICCAI-MSD 2018)
下载大小	~15 GB 压缩 / ~53 GB 解压
评测平台	CodaLab 在线评测（3414+ 次提交，900+ 注册用户）
核心论文	Bilic et al., Medical Image Analysis 84:102680, 2023
DOI	10.1016/j.media.2022.102680
GitHub	github.com/PatrickChrist/LiTS-CHALLENGE

§0 E-E-A-T 信任声明

本条目由千方病案医学编辑部依据以下权威来源编写：

• 原始论文：Bilic et al., “The Liver Tumor Segmentation Benchmark (LiTS)”, Medical Image Analysis, Vol. 84, Article 102680, 2023. DOI: 10.1016/j.media.2022.102680
• 官方挑战赛：CodaLab 在线评测平台 competitions.codalab.org/competitions/17094
• 数据来源：7 家临床机构跨 4 国联合提供（TUM 德国 / Radboud 荷兰 / Polytechnique Montreal & CHUM 加拿大 / IRCAD 法国 / Sheba & Hebrew University & Hadassah 以色列）
• 后续基准：Medical Segmentation Decathlon (MSD) Task03 Liver 直接使用 LiTS 数据

本条目所有数据指标均引用自上述原始论文和官方平台，SOTA 排行榜数据截至 2026 年 8 月。

§1 数据集概览

§1.1 基本信息

LiTS（Liver Tumor Segmentation Benchmark）是医学影像分割领域最经典的肝脏及肝脏肿瘤 CT 分割基准数据集。该数据集于 2016 年 12 月首次发布训练数据，先后在 IEEE International Symposium on Biomedical Imaging (ISBI) 2017、International Conferences on Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2017 和 MICCAI 2018（作为 Medical Segmentation Decathlon 的一部分）三届挑战赛中使用。

数据集包含 201 例对比增强腹部 CT 扫描（131 例训练 + 70 例测试），来自全球 7 家临床机构、跨 4 个国家（德国、荷兰、加拿大、法国、以色列）。所有 CT 均为门静脉期（portal venous phase）增强扫描，涵盖原发性肝肿瘤（肝细胞癌 HCC、胆管癌 cholangiocarcinoma）和继发性肝转移瘤（结直肠癌、乳腺癌、肺癌来源）。

标注为 3 类语义分割（背景=0、肝脏=1、肿瘤=2），由 4 名放射科医生经多轮审核流程完成。测试集 70 例的标注不公开，需通过 CodaLab 平台在线提交预测结果进行评测。

截至 2022 年，CodaLab 平台累计接收 3414+ 次有效提交（238,980 个体积分割），注册用户 900+ 人，最佳肿瘤 Dice 达 82.5%。

§1.2 历史背景与定位

LiTS 在医学影像分割领域具有独特的里程碑地位：

维度	定位
历史意义	首个大规模多中心肝脏肿瘤 CT 分割基准，推动了级联 U-Net 架构的普及
方法学影响	75 个提交算法中，级联 coarse-to-fine 策略成为主流范式
3D 转折点	ISBI 2017（以 2D/2.5D 为主）→ MICCAI 2018（3D 方法主导），LiTS 见证了 3D 深度学习在医学分割中的崛起
MSD 贡献	LiTS 数据集构成 Medical Segmentation Decathlon 的肝脏分割任务（Task03 Liver）
持续活跃	CodaLab 平台至今仍接受在线提交，2022 年结果显著优于 2021 年
与 3D-IRCADb 关系	LiTS 训练集包含 3D-IRCADb 全部 20 例数据（来自 IRCAD France）
与 SLIVER07 关系	SLIVER07 是更早期的肝脏分割数据集（30 例 CT，仅肝脏标注，无肿瘤），二者可合并使用

§1.3 核心统计

统计项	训练集	测试集
CT 扫描数	131	70
含肿瘤病例数	124（94.7%）	70（100%）
肿瘤数中位数（IQR）	3（1, 9）	5（2, 12）
肿瘤体积中位数（mm³）	16.11×10³（3.40×10³, 107.77×10³）	34.78×10³（10.41×10³, 98.90×10³）
肝脏体积（mm³，均值±SD）	1586.48×10³ ± 447.14×10³	1622.64×10³ ± 546.48×10³
面内分辨率中位数（mm）	0.76（0.7, 0.85）	0.74（0.69, 0.8）
层厚中位数（mm）	1.0（0.8, 1.5）	1.5（0.8, 4.0）
轴向切片数范围	42~1026	—
平均肿瘤 HU 值	65	59
训练/测试差异 p 值	—	肿瘤数 p=0.016, 层厚 p=0.004, 肝脏体积 p=0.60

§2 医学背景

§2.1 肝脏肿瘤的医学概述

肝脏是原发性肿瘤（起源于肝脏本身）和继发性肿瘤（从其他器官转移至肝脏）的高发部位。

原发性肝肿瘤：

• 肝细胞癌（HCC）：最常见的原发性肝脏恶性肿瘤，全球癌症死亡率第三位。HCC 通常在慢性肝病（乙肝、丙肝、酒精性肝硬化）基础上发生。CT 门静脉期表现为低密度病灶（相对于肝实质），动脉期可能显示强化（"快进快出"模式）。
• 肝内胆管癌（ICC）：第二大原发性肝恶性肿瘤，起源于肝内胆管上皮。CT 表现为延迟期渐进性强化的肿块。

继发性肝肿瘤（肝转移瘤）：

• 结直肠癌肝转移：最常见，约 50% 结直肠癌患者会发生肝转移。CT 表现为低密度环形强化病灶。
• 乳腺癌肝转移：多发性、较小病灶，预后较差。
• 肺癌肝转移：常为多发性、快速生长。

§2.2 CT 门静脉期的临床意义

LiTS 数据集采集的均为**门静脉期（portal venous phase）**增强 CT，这是肝脏影像评估的标准时相：

时相	时间（注射后）	肝实质强化	临床用途
平扫期	0	无强化	基线、钙化检测
动脉期	25-35s	主动脉高密度，肝实质轻微强化	HCC 检测（富血供肿瘤强化）
门静脉期	60-70s	肝实质均匀强化（峰值）	肝脏实质评估、肿瘤检出（低密度对比）
延迟期	3-5min	强化消退	ICC 检测（延迟强化）、血管瘤鉴别

门静脉期是肝脏肿瘤检测和分割的首选时相，因为正常肝实质在此期达到最大强化（密度最高），而大多数肿瘤（尤其是 HCC 和转移瘤）在此期表现为低密度，形成最佳的肿瘤-肝实质对比度。

§2.3 自动分割的临床需求

• 手术规划：精确的肝脏和肿瘤三维重建是肝段切除（hepatectomy）术前规划的核心。自动分割可显著缩短规划时间（从数小时降至分钟级）。

• 肿瘤负荷评估：通过自动分割计算肿瘤总体积占肝脏体积的比例（tumor burden），用于疗效监测和预后评估。

• 介入治疗导航：TACE（经动脉化疗栓塞）和 RFA（射频消融）需要精确定位肿瘤位置和边界。

• 筛查与随访：慢性肝病患者需定期 CT 随访，自动分割可提高效率和一致性。

§3 数据规格

§3.1 影像参数

参数	值
模态	对比增强腹部 CT（门静脉期）
文件格式	NIfTI (.nii)
图像位深	16-bit integer（Hounsfield Unit）
图像矩阵	~512×512 像素（面内）
面内分辨率	0.56~1.0 mm
层厚	0.45~6.0 mm
轴向切片数	42~1026 层/例
CT 体素矩阵中位数	512×512×432（训练集）/ 512×512×270（测试集）
HU 值范围	-1024~3071（标准 CT）
常用 HU 裁剪窗	[-200, 200] 或 [-160, 240] 或 [-100, 400]

§3.2 标注规范

项目	规范
标注类别	3 类：0=背景 (Background), 1=肝脏 (Liver), 2=肿瘤 (Tumor)
标注格式	NIfTI (.nii)，与 CT 体数据一一对应
标注密度	逐像素（全切片标注，非稀疏标注）
标注流程	R1 原始共识标注 → R3 委员会认证放射科医生审核修正 → R4 委员会认证放射科医生最终校正
IAA 评估	R2 从零重新标注 15 例，计算 R1 vs R2 的 Dice
肿瘤标注标准	包括原发性和继发性肿瘤，不区分肿瘤亚型（HCC/ICC/转移瘤均为 label=2）

§3.3 各机构数据贡献

机构	国家	训练集	测试集
Rechts der Isar Hospital, TUM	德国	28	28
Radboud University Medical Center	荷兰	48	12
Polytechnique Montreal & CHUM Research Center	加拿大	30	25
IRCAD	法国	20	0
Sheba Medical Center / Hebrew University / Hadassah	以色列	5	5
合计	—	131	70

注意：IRCAD 贡献的 20 例训练数据即为 3D-IRCADb 数据集的全部病例。合并使用时须注意避免数据泄漏。

§3.4 数据多样性

LiTS 数据集在设计上充分考虑了临床多样性：

• 肿瘤类型多样性：HCC、胆管癌、结直肠癌/乳腺癌/肺癌肝转移

• 病变密度多样性：高密度（hyperdense）和低密度（hypodense）肿瘤

• 治疗状态多样性：治疗前和治疗后 CT 混合

• 图像质量多样性：不同 CT 扫描仪、不同采集协议、金属伪影等真实临床常见问题

• 分辨率多样性：面内 0.56-1.0 mm，层厚 0.45-6.0 mm（跨数量级差异）

• 肿瘤大小多样性：38 mm³ 至 1231×10³ mm³

§4 数据结构

§4.1 文件组织

LiTS/
├── Training_Batch1/
│   ├── volume-0.nii          # CT 体数据 (case 0)
│   ├── segmentation-0.nii     # 分割标注 (case 0)
│   ├── volume-1.nii
│   ├── segmentation-1.nii
│   └── ... (volume-0 to volume-27, 28 cases)
│
├── Training_Batch2/
│   ├── volume-28.nii
│   ├── segmentation-28.nii
│   └── ... (volume-28 to volume-130, 103 cases)
│
├── Test_Batch/
│   ├── test-volume-0.nii     # 测试集 CT (无标注)
│   └── ... (70 cases)
│
└── evaluation/
    └── lits_evaluation.py    # 官方评测代码

§4.2 标签编码

像素值	类别	描述
0	Background	非肝脏区域
1	Liver	肝脏实质（含肿瘤区域）
2	Tumor	肝内肿瘤（叠加在肝脏区域内）

重要说明：肿瘤标签 (2) 叠加在肝脏标签 (1) 上方。读取时，mask == 1 获取整个肝脏（含肿瘤），mask == 2 仅获取肿瘤，mask >= 1 获取所有前景。这种设计允许同时训练肝脏分割和肿瘤分割任务。

§4.3 与相关数据集的关系

数据集	关系	注意事项
3D-IRCADb	LiTS 训练集包含其全部 20 例	⚠️ 禁止合并使用，会导致数据泄漏
MSD Task03 Liver	直接使用 LiTS 数据	⚠️ 禁止合并使用，同一数据
SLIVER07	独立数据集（30 例，仅肝脏标注）	✅ 可合并使用，补充肝脏分割训练数据
CHAOS	独立数据集（40 CT + 120 MRI）	✅ 可合并使用，但模态和标注协议不同
LiVs	独立数据集（532 例，肝血管标注）	✅ 可合并使用，但标注目标不同（血管 vs 肿瘤）

§5 数据划分与使用

§5.1 官方划分

划分	数量	标注	用途
训练集	131 例	✅ 公开	模型训练
测试集	70 例	❌ 不公开	CodaLab 在线评测

训练集与测试集的机构分布大致保持 2:1 比例。统计学检验显示训练集和测试集的肝脏体积无显著差异（p=0.60），但测试集的肿瘤数更多（p=0.016）、层厚更厚（p=0.004）。

§5.2 自定义划分建议

由于测试集标注不公开，实际开发中通常将 131 例训练集进一步划分：

策略	划分	适用场景
官方提交	131 train → CodaLab test (70)	最终评测
5 折交叉验证	131 → 5 folds (各 ~26 例)	模型选择、超参调优
7:2:2	91 train / 20 val / 20 test	快速原型
8:1:1	105 train / 13 val / 13 test	标准划分

推荐：使用 5 折交叉验证进行模型选择，最终在 CodaLab 提交测试集结果。注意 7 例训练集无肿瘤标注（正常肝脏），训练肿瘤分割时需排除。

§5.3 数据预处理

HU 值裁剪

不同研究团队使用的 HU 裁剪窗口不同，直接影响模型性能：

裁剪范围	使用者	适用场景
[-200, 200]	3DUNet-Pytorch (lee-zq)	软组织对比，抑制骨骼和空气
[-160, 240]	Cascaded ResNet (Bi et al.)	平衡肝脏和肿瘤对比度
[-100, 400]	部分方法	扩展范围，保留更多组织信息
[-150, 250]	Bellver et al. (MICCAI 2017)	轻度裁剪
[-21, 189]	Diff4MMLiTS	肝脏特异性窗口

推荐：使用 [-100, 400] 或 [-200, 200]，前者保留更多组织细节，后者更聚焦软组织。裁剪后归一化至 [0, 1]。

重采样

由于各机构采集参数差异巨大（层厚 0.45-6.0 mm），重采样至统一间距是必要的：

• nnU-Net 默认：自动重采样至中位数间距（面内 ~0.8 mm, 层间 ~1.5 mm）
• 手动重采样：常重采样至 1.0×1.0×1.0 mm 或 0.8×0.8×1.5 mm

ROI 裁剪

为减少背景计算量，通常裁剪至肝脏区域：

• 沿 Z 轴：仅保留含肝脏的切片（扩展 ±20 层余量）

• 沿 X/Y 轴：裁剪至肝脏边界外扩 ~20 像素

§6 AI 就绪指南

§6.1 PyTorch DataLoader

import os
import numpy as np
import torch
from torch.utils.data import Dataset
import nibabel as nib

class LiTSDataset(Dataset):
    """LiTS 肝脏肿瘤分割数据集加载器
    
    支持:
    - 前景优先 patch 采样 (oversample tumor regions)
    - HU 裁剪与归一化
    - 2D/3D patch 提取
    """
    
    def __init__(self, data_dir, split=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''train'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', patch_size=(48, 128, 128),
                 hu_clip=(-100, 400), oversample_foreground=0.33):
        self.data_dir = data_dir
        self.patch_size = patch_size
        self.hu_clip = hu_clip
        self.oversample_foreground = oversample_foreground
        
        # 加载文件列表
        vol_dir = os.path.join(data_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''ct'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
        seg_dir = os.path.join(data_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''label'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
        case_ids = sorted([f.replace(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''volume-'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', '''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''').replace(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', '''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''') 
                          for f in os.listdir(vol_dir) if f.endswith(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')])
        
        # 按划分选择
        if split == ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''train'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''':
            self.case_ids = case_ids[:111]
        elif split == ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''val'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''':
            self.case_ids = case_ids[111:]
        else:
            self.case_ids = case_ids
            
        self.vol_paths = [os.path.join(vol_dir, f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''volume-{cid}.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''') 
                         for cid in self.case_ids]
        self.seg_paths = [os.path.join(seg_dir, f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''segmentation-{cid}.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
                         for cid in self.case_ids]
        
        # 缓存（可选）
        self._cache = {}
    
    def __len__(self):
        return len(self.case_ids)
    
    def __getitem__(self, idx):
        if idx in self._cache:
            vol, seg = self._cache[idx]
        else:
            vol = nib.load(self.vol_paths[idx]).get_fdata().astype(np.float32)
            seg = nib.load(self.seg_paths[idx]).get_fdata().astype(np.int8)
            # 转置为 (Z, Y, X) 以便于 patch 提取
            vol = vol.transpose(2, 0, 1)
            seg = seg.transpose(2, 0, 1)
            self._cache[idx] = (vol, seg)
        
        # HU 裁剪与归一化
        vol = np.clip(vol, self.hu_clip[0], self.hu_clip[1])
        vol = (vol - self.hu_clip[0]) / (self.hu_clip[1] - self.hu_clip[0])
        
        # Patch 采样
        d, h, w = vol.shape
        pd, ph, pw = self.patch_size
        
        # 前景优先采样
        if np.random.random() < self.oversample_foreground:
            # 在肿瘤区域内采样
            tumor_coords = np.argwhere(seg == 2)
            if len(tumor_coords) > 0:
                center = tumor_coords[np.random.choice(len(tumor_coords))]
                z = max(0, min(center[0] - pd//2, d - pd))
                y = max(0, min(center[1] - ph//2, h - ph))
                x = max(0, min(center[2] - pw//2, w - pw))
            else:
                z = np.random.randint(0, max(1, d - pd))
                y = np.random.randint(0, max(1, h - ph))
                x = np.random.randint(0, max(1, w - pw))
        else:
            z = np.random.randint(0, max(1, d - pd))
            y = np.random.randint(0, max(1, h - ph))
            x = np.random.randint(0, max(1, w - pw))
        
        vol_patch = vol[z:z+pd, y:y+ph, x:x+pw]
        seg_patch = seg[z:z+pd, y:y+ph, x:x+pw]
        
        # 数据增强
        if np.random.random() < 0.5:
            vol_patch = np.flip(vol_patch, axis=2).copy()
            seg_patch = np.flip(seg_patch, axis=2).copy()
        if np.random.random() < 0.5:
            vol_patch = np.flip(vol_patch, axis=1).copy()
            seg_patch = np.flip(seg_patch, axis=1).copy()
        
        vol_patch = torch.from_numpy(vol_patch).float().unsqueeze(0)
        seg_patch = torch.from_numpy(seg_patch).long()
        
        return vol_patch, seg_patch


# 使用示例
if __name__ == ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''__main__'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''':
    dataset = LiTSDataset(
        data_dir=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''/path/to/LiTS/fixed_data'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
        split=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''train'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
        patch_size=(48, 128, 128),
        hu_clip=(-100, 400),
        oversample_foreground=0.33
    )
    print(f"Dataset size: {len(dataset)}")
    
    from torch.utils.data import DataLoader
    loader = DataLoader(dataset, batch_size=2, shuffle=True, num_workers=4)
    
    for vol, seg in loader:
        print(f"Volume: {vol.shape}, Segmentation: {seg.shape}")
        print(f"  HU range: [{vol.min():.3f}, {vol.max():.3f}]")
        print(f"  Labels: bg={int((seg==0).sum())}, liver={int((seg==1).sum())}, "
              f"tumor={int((seg==2).sum())}")
        break

§6.2 预处理 Pipeline

import SimpleITK as sitk
import numpy as np
import os
from tqdm import tqdm

class LiTSPreprocessor:
    """LiTS 数据预处理器
    
    流程:
    1. HU 裁剪 [-100, 400]
    2. Z-score 归一化
    3. 重采样至统一间距
    4. ROI 裁剪 (肝脏区域)
    """
    
    def __init__(self, hu_clip=(-100, 400), target_spacing=(0.8, 0.8, 1.5),
                 roi_expand_slices=20, min_slices=48):
        self.hu_clip = hu_clip
        self.target_spacing = target_spacing
        self.roi_expand_slices = roi_expand_slices
        self.min_slices = min_slices
    
    def process(self, vol_path, seg_path, output_dir, case_name):
        # 读取 NIfTI
        vol_sitk = sitk.ReadImage(vol_path)
        seg_sitk = sitk.ReadImage(seg_path)
        
        vol = sitk.GetArrayFromImage(vol_sitk).astype(np.float32)  # (Z, Y, X)
        seg = sitk.GetArrayFromImage(seg_sitk).astype(np.int8)
        original_spacing = vol_sitk.GetSpacing()  # (X, Y, Z)
        
        # 1. HU 裁剪
        vol = np.clip(vol, self.hu_clip[0], self.hu_clip[1])
        
        # 2. Z-score 归一化 (基于前景区域)
        foreground_mask = vol > self.hu_clip[0]
        if foreground_mask.sum() > 0:
            mean_val = vol[foreground_mask].mean()
            std_val = vol[foreground_mask].std()
            vol = (vol - mean_val) / (std_val + 1e-8)
        
        # 3. 重采样至目标间距
        zoom_factors = [
            original_spacing[2] / self.target_spacing[2],  # Z
            original_spacing[1] / self.target_spacing[1],  # Y
            original_spacing[0] / self.target_spacing[0],  # X
        ]
        from scipy.ndimage import zoom
        vol_resampled = zoom(vol, zoom_factors, order=3)  # 三次插值
        seg_resampled = zoom(seg, zoom_factors, order=0)   # 最近邻插值
        
        # 4. ROI 裁剪 (沿 Z 轴提取肝脏区域)
        liver_slices = np.any(seg_resampled > 0, axis=(1, 2))
        liver_indices = np.where(liver_slices)[0]
        
        if len(liver_indices) >= self.min_slices:
            z_start = max(0, liver_indices[0] - self.roi_expand_slices)
            z_end = min(vol_resampled.shape[0], 
                       liver_indices[-1] + 1 + self.roi_expand_slices)
            vol_roi = vol_resampled[z_start:z_end]
            seg_roi = seg_resampled[z_start:z_end]
        else:
            vol_roi = vol_resampled
            seg_roi = seg_resampled
        
        # 保存
        os.makedirs(os.path.join(output_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''ct''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''), exist_ok=True)
        os.makedirs(os.path.join(output_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''label''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''), exist_ok=True)
        
        out_vol = sitk.GetImageFromArray(vol_roi)
        out_vol.SetSpacing(self.target_spacing[::-1])
        sitk.WriteImage(out_vol, os.path.join(output_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''ct'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''{case_name}.nii.gz''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''))
        
        out_seg = sitk.GetImageFromArray(seg_roi)
        out_seg.SetSpacing(self.target_spacing[::-1])
        sitk.WriteImage(out_seg, os.path.join(output_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''label'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''{case_name}.nii.gz''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''))
        
        return vol_roi.shape, seg_roi.shape


# 批量预处理
if __name__ == ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''__main__'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''':
    preprocessor = LiTSPreprocessor(
        hu_clip=(-100, 400),
        target_spacing=(0.8, 0.8, 1.5),
        roi_expand_slices=20,
        min_slices=48
    )
    
    raw_dir = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''/path/to/LiTS/raw''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
    output_dir = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''/path/to/LiTS/fixed_data''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
    
    for i in tqdm(range(131), desc=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''Preprocessing LiTS''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''):
        vol_path = os.path.join(raw_dir, f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''volume-{i}.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
        seg_path = os.path.join(raw_dir, f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''segmentation-{i}.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
        if os.path.exists(vol_path) and os.path.exists(seg_path):
            shape, _ = preprocessor.process(vol_path, seg_path, output_dir, f''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''case_{i:03d}'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
            print(f"Case {i}: {shape}")

§6.3 TensorFlow / Keras DataLoader

import tensorflow as tf
import nibabel as nib
import numpy as np
import os

def create_lits_tf_dataset(data_dir, batch_size=2, patch_size=(48, 128, 128),
                            hu_clip=(-100, 400), augment=True):
    """创建 LiTS TensorFlow 数据集"""
    
    vol_dir = os.path.join(data_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''ct'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
    seg_dir = os.path.join(data_dir, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''label'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
    case_files = sorted([f for f in os.listdir(vol_dir) if f.endswith(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''.nii'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')])
    
    vol_paths = [os.path.join(vol_dir, f) for f in case_files]
    seg_paths = [os.path.join(seg_dir, f.replace(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''volume'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''segmentation'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')) 
                for f in case_files]
    
    def load_and_augment(vol_path, seg_path):
        vol = nib.load(vol_path.numpy().decode()).get_fdata().astype(np.float32)
        seg = nib.load(seg_path.numpy().decode()).get_fdata().astype(np.int32)
        vol = vol.transpose(2, 0, 1)  # (Z, Y, X)
        seg = seg.transpose(2, 0, 1)
        
        # HU 裁剪与归一化
        vol = np.clip(vol, hu_clip[0], hu_clip[1])
        vol = (vol - hu_clip[0]) / (hu_clip[1] - hu_clip[0])
        
        # 随机 patch
        d, h, w = vol.shape
        pd, ph, pw = patch_size
        z = np.random.randint(0, max(1, d - pd))
        y = np.random.randint(0, max(1, h - ph))
        x = np.random.randint(0, max(1, w - pw))
        
        vol_patch = vol[z:z+pd, y:y+ph, x:x+pw]
        seg_patch = seg[z:z+pd, y:y+ph, x:x+pw]
        
        if augment:
            if np.random.random() < 0.5:
                vol_patch = np.flip(vol_patch, axis=2).copy()
                seg_patch = np.flip(seg_patch, axis=2).copy()
            if np.random.random() < 0.5:
                vol_patch = np.flip(vol_patch, axis=1).copy()
                seg_patch = np.flip(seg_patch, axis=1).copy()
        
        vol_patch = vol_patch[..., np.newaxis]  # 添加通道维度
        return vol_patch, seg_patch
    
    def tf_wrapper(vol_path, seg_path):
        vol, seg = tf.py_function(load_and_augment, [vol_path, seg_path],
                                 [tf.float32, tf.int32])
        vol.set_shape(patch_size + (1,))
        seg.set_shape(patch_size)
        return vol, seg
    
    dataset = tf.data.Dataset.from_tensor_slices((vol_paths, seg_paths))
    dataset = dataset.shuffle(len(vol_paths))
    dataset = dataset.map(tf_wrapper, num_parallel_calls=tf.data.AUTOTUNE)
    dataset = dataset.batch(batch_size)
    dataset = dataset.prefetch(tf.data.AUTOTUNE)
    
    return dataset

§6.4 评估指标

import numpy as np
from scipy.ndimage import distance_transform_edt

def dice_score(pred, gt, smooth=1e-5):
    """计算 Dice 系数"""
    pred = pred.astype(np.bool_)
    gt = gt.astype(np.bool_)
    intersection = (pred & gt).sum()
    return (2.0 * intersection + smooth) / (pred.sum() + gt.sum() + smooth)

def jaccard_index(pred, gt, smooth=1e-5):
    """计算 Jaccard (IoU)"""
    pred = pred.astype(np.bool_)
    gt = gt.astype(np.bool_)
    intersection = (pred & gt).sum()
    union = (pred | gt).sum()
    return (intersection + smooth) / (union + smooth)

def volume_overlap_error(pred, gt):
    """计算 VOE (1 - Jaccard)"""
    return 1.0 - jaccard_index(pred, gt)

def relative_volume_difference(pred, gt):
    """计算 RVD"""
    pred = pred.astype(np.bool_)
    gt = gt.astype(np.bool_)
    return (pred.sum() - gt.sum()) / (gt.sum() + 1e-5)

def average_symmetric_surface_distance(pred, gt, spacing=(1.0, 1.0, 1.0)):
    """计算 ASSD (平均对称表面距离)"""
    pred = pred.astype(np.bool_)
    gt = gt.astype(np.bool_)
    
    pred_surface = pred & ~np.pad(pred, 1, mode=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''constant'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')[1:-1, 1:-1, 1:-1]
    gt_surface = gt & ~np.pad(gt, 1, mode=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''constant'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')[1:-1, 1:-1, 1:-1]
    
    if pred_surface.sum() == 0 or gt_surface.sum() == 0:
        return float(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''inf'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
    
    # 计算从预测表面到 GT 表面的距离
    dt_gt = distance_transform_edt(~gt, sampling=spacing)
    dt_pred = distance_transform_edt(~pred, sampling=spacing)
    
    assd = (dt_pred[pred_surface].sum() + dt_gt[gt_surface].sum()) / \
           (pred_surface.sum() + gt_surface.sum())
    return assd

def max_symmetric_surface_distance(pred, gt, spacing=(1.0, 1.0, 1.0)):
    """计算 MSSD (最大对称表面距离, 即对称 Hausdorff)"""
    pred = pred.astype(np.bool_)
    gt = gt.astype(np.bool_)
    
    if pred.sum() == 0 or gt.sum() == 0:
        return float(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''inf'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
    
    pred_surface = pred & ~np.pad(pred, 1, mode=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''constant'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')[1:-1, 1:-1, 1:-1]
    gt_surface = gt & ~np.pad(gt, 1, mode=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''constant'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')[1:-1, 1:-1, 1:-1]
    
    dt_gt = distance_transform_edt(~gt, sampling=spacing)
    dt_pred = distance_transform_edt(~pred, sampling=spacing)
    
    mssd = max(dt_pred[pred_surface].max(), dt_gt[gt_surface].max())
    return mssd

def evaluate_lits(predictions, ground_truths, spacing=(0.8, 0.8, 1.5)):
    """
    LiTS 官方评估指标
    
    参数:
        predictions: list of np.ndarray (预测分割)
        ground_truths: list of np.ndarray (真实标注)
        spacing: 体素间距 (mm)
    
    返回:
        dict: liver 和 tumor 的各项指标
    """
    results = {
        ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''liver'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': {''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''dice'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''jaccard'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''voe'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''rvd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], 
                  ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''assd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''mssd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': []},
        ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''tumor'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': {''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''dice'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''jaccard'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''voe'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''rvd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], 
                  ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''assd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': [], ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''mssd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': []}
    }
    
    for pred, gt in zip(predictions, ground_truths):
        for organ, label in [(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''liver'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', 1), (''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''tumor'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', 2)]:
            pred_mask = (pred == label)
            gt_mask = (gt == label)
            
            if gt_mask.sum() == 0 and pred_mask.sum() == 0:
                continue  # 双方均无该器官
            if gt_mask.sum() == 0:
                results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''dice''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(0.0)
                continue
            
            results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''dice''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(dice_score(pred_mask, gt_mask))
            results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''jaccard''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(jaccard_index(pred_mask, gt_mask))
            results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''voe''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(volume_overlap_error(pred_mask, gt_mask))
            results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''rvd''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(relative_volume_difference(pred_mask, gt_mask))
            results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''assd''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(
                average_symmetric_surface_distance(pred_mask, gt_mask, spacing))
            results[organ][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''mssd''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].append(
                max_symmetric_surface_distance(pred_mask, gt_mask, spacing))
    
    # 汇总
    summary = {}
    for organ in [''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''liver'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''tumor'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''']:
        summary[organ] = {
            metric: {
                ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''mean'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': float(np.mean(values)),
                ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''median'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': float(np.median(values)),
                ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''std'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': float(np.std(values))
            }
            for metric, values in results[organ].items() if len(values) > 0
        }
    
    return summary


# 检测指标 (lesion-wise)
def evaluate_detection(predictions, ground_truths, iou_threshold=0.5):
    """
    LiTS lesion-wise 检测评估
    
    返回: precision, recall, F1
    """
    from scipy.ndimage import label
    
    tp = fp = fn = 0
    
    for pred, gt in zip(predictions, ground_truths):
        pred_tumor = (pred == 2)
        gt_tumor = (gt == 2)
        
        pred_labels, n_pred = label(pred_tumor)
        gt_labels, n_gt = label(gt_tumor)
        
        for i in range(1, n_gt + 1):
            gt_region = (gt_labels == i)
            best_iou = 0
            for j in range(1, n_pred + 1):
                pred_region = (pred_labels == j)
                intersection = (gt_region & pred_region).sum()
                union = (gt_region | pred_region).sum()
                iou = intersection / (union + 1e-5)
                if iou > best_iou:
                    best_iou = iou
            if best_iou >= iou_threshold:
                tp += 1
            else:
                fn += 1
        
        for j in range(1, n_pred + 1):
            pred_region = (pred_labels == j)
            best_iou = 0
            for i in range(1, n_gt + 1):
                gt_region = (gt_labels == i)
                intersection = (gt_region & pred_region).sum()
                union = (gt_region | pred_region).sum()
                iou = intersection / (union + 1e-5)
                if iou > best_iou:
                    best_iou = iou
            if best_iou < iou_threshold:
                fp += 1
    
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0
    f1 = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
    
    return {''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''precision'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': precision, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''recall'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': recall, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''f1'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': f1,
            ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''tp'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': tp, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''fp'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': fp, ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''fn'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': fn}

§6.5 数据增强安全表

增强方法	安全性	推荐参数	注意事项
水平翻转 (L-R)	✅ 安全	p=0.5	肝脏解剖左右不对称，但 CT 不含方向标识
垂直翻转 (A-P)	✅ 安全	p=0.5	不改变解剖关系
Z 轴翻转	⚠️ 谨慎	p=0.1	头尾翻转可能影响解剖合理性
随机旋转 (面内)	✅ 安全	±15°	小角度旋转，避免极端角度
随机缩放	✅ 安全	0.9-1.1	保持器官形态
弹性形变	⚠️ 谨慎	σ=5-10, α=100-200	增强肿瘤形态多样性，但过度形变破坏解剖
随机对比度	✅ 安全	±0.1	模拟不同 CT 扫描仪对比度
随机亮度	✅ 安全	±0.1	模拟不同 HU 偏移
高斯噪声	✅ 安全	σ=0.01-0.05	模拟采集噪声
高斯模糊	⚠️ 谨慎	σ=0.5-1.0	模拟厚层重建效应
Mixup	❌ 不推荐	—	不同患者的肝脏解剖混合无意义

§6.6 推荐模型配置

模型	架构	Liver Dice	Tumor Dice	训练时间	推荐场景
nnU-Net 3D	3D U-Net (自配置)	96.3%	76.3%	~3d (1×RTX 3090)	基线首选
nnU-Net 3D (1000ep)	3D U-Net (长训练)	96.3%	79.6%	~5d	追求最高 Tumor Dice
SAMed-H	SAM (ViT-H)	95.6%	78.6%	~2d (1×A100)	SAM 微调
MedNeXt-L	3D ConvNeXt	94.6%	77.9%	~3d (1×RTX 3090)	现代 CNN 架构
LightM-UNet	Mamba + UNet	96.3%	72.9%	~1d (1×RTX 8000)	轻量化部署
H-DenseUNet	2D+3D Hybrid	96.1%	72.2%	~2d	经典级联架构
SwinUNETR	Swin Transformer	86.7%	74.2%	~3d (1×A100)	Transformer 基线

注：以上数据来自 TriALS benchmark（5 折交叉验证，100/1000 epochs），非官方 CodaLab 提交结果。nnU-Net 在官方 CodaLab 排行榜上的 Tumor Global Dice 为 0.858。

§6.7 硬件配置建议

场景	GPU	显存	batch_size	patch_size	训练时间
快速原型	RTX 3060 (12GB)	12 GB	1	32×96×96	~5d
标准训练	RTX 3090 (24GB)	24 GB	2	48×128×128	~3d
高效训练	A100 (40GB)	40 GB	4	96×192×192	~2d
极致性能	A100 ×4 (160GB)	160 GB	8	128×256×256	~1d
推理部署	RTX 4060 (8GB)	8 GB	1	full volume (sliding)	<1min/case

§7 DAIMS 评估

§7.1 24 项标准化评估

#	评估项	状态	说明
1	数据集公开可获取	✅	CodaLab 平台免费下载
2	标准化文件格式	✅	NIfTI (.nii)，医学影像标准格式
3	多中心数据	✅	7 家机构跨 4 国（德国/荷兰/加拿大/法国/以色列）
4	训练/测试划分明确	✅	131 train + 70 test，机构分布大致 2:1
5	标注者间一致性报告	⚠️	仅 15 例重新标注，R1 vs R2 肿瘤 Dice 70.2%，R1 vs R3/R4 肿瘤 Dice 95.2%
6	基准论文发表	✅	Bilic et al., Medical Image Analysis 84:102680, 2023
7	评估指标明确	✅	Dice (global + per case), Jaccard, VOE, RVD, ASSD, MSSD, 检测指标
8	开放排行榜	✅	CodaLab 在线评测，3414+ 次提交
9	肿瘤类型多样性	✅	HCC, 胆管癌, 结直肠癌/乳腺癌/肺癌肝转移
10	图像质量多样性	✅	层厚 0.45-6.0mm，7 种不同扫描仪，含金属伪影
11	标准化采集协议	⚠️	7 家机构各自采集，无统一协议（但均为门静脉期）
12	患者人口统计	❌	无年龄/性别/种族信息
13	造影时相明确	✅	门静脉期（portal venous phase）
14	纵向随访数据	❌	横截面数据，无随访
15	专家标注	✅	4 名放射科医生，含 2 名委员会认证
16	开放许可证	✅	CC-BY-NC-SA 4.0
17	商业使用许可	⚠️	NonCommercial 限制
18	评测代码开源	✅	GitHub: PatrickChrist/LiTS-CHALLENGE
19	活跃基准	✅	CodaLab 持续接受提交，2022 年仍有显著改进
20	广泛采用	✅	MSD Task03 Liver 直接使用 LiTS 数据
21	公平性评估	❌	无跨人群（年龄/性别/种族）公平性分析
22	可复现性	✅	数据 + 评测代码 + 论文公开，nnU-Net 可复现
23	长期维护承诺	⚠️	TUM 维护，但无明确长期支持承诺
24	商业部署就绪	❌	NC 限制 + 无 FDA/CE 认证

§7.2 总评分

DAIMS 评分：18/24（⭐⭐⭐⭐ 4/5）

扣分项：

• #12 患者人口统计完全未公开 ❌
• #14 无纵向随访数据 ❌
• #21 无公平性评估 ❌
• #24 商业部署不就绪（NC 限制） ❌
• #5 IAA 仅 15 例 ⚠️
• #11 采集协议跨机构不统一 ⚠️

加分项：

• 多中心（7 机构 4 国）数据多样性出色
• 4 名标注者审核流程（含 2 名委员会认证放射科医生）
• CodaLab 活跃基准（3414+ 提交）
• 已成为 MSD 核心任务

§7.3 外部验证数据集

数据集	规模	模态	标注	用途
3D-IRCADb	20 例	CT (门静脉期)	肝脏+肿瘤	⚠️ 已包含在 LiTS 中，不可用于外部验证
MSD Task03 Liver	443 例	CT (门静脉期)	肝脏+肿瘤	⚠️ 与 LiTS 数据重叠
CHAOS	40 CT + 120 MRI	CT+MRI	肝/肾/脾	✅ 外部验证
SLIVER07	30 例	CT	仅肝脏	✅ 肝脏分割外部验证
HCC-TACE-Seg	115 例	CT (动脉期)	HCC	✅ HCC 专项外部验证

重要：由于 3D-IRCADb 和 MSD Task03 Liver 均与 LiTS 数据重叠，使用这些数据集进行外部验证会导致数据泄漏。推荐使用 CHAOS 或 HCC-TACE-Seg 进行真正的外部验证。

§8 排行榜与生态

§8.1 官方挑战赛排行榜

LiTS-ISBI 2017 — 肿瘤分割

排名	团队	方法	Tumor Dice (per case)
1	X. Han et al.	2.5D Residual U-Net (5-slice stack)	0.674
2	E. Vorontsov et al.	Cascaded FCN (liver→tumor)	0.652
3	G. Chlebus et al.	3×2D U-Net (orthogonal) + RF filter	0.645

• 最佳 lesion-wise recall: 0.458
• 前三名之间无统计显著差异

LiTS-MICCAI 2017 — 肝脏分割

排名	团队	方法	Liver Dice	ASD (mm)
1	Y. Yuan et al.	Hierarchical 2.5D FCN + 5-fold ensemble	0.963	1.104
2	A. Ben-Cohen et al.	VGG-16 backbone + 3-channel	0.962	1.130
3	J. Zou et al.	Ensemble + residual + RF post-proc	0.961	1.268
4	X. Li et al.	H-DenseUNet (2D+3D hybrid)	0.961	1.692
5	L. Zhang et al.	—	—	1.510

LiTS-MICCAI 2017 — 肿瘤分割

排名	团队	方法	Tumor Dice (per case)
1	J. Zou et al.	Ensemble + residual + sophisticated post-proc	0.702
2	X. Li et al.	H-DenseUNet (2D+3D hybrid)	0.722*

*H-DenseUNet 的 0.722 是后续论文报告值，非比赛当时排名。

LiTS-MICCAI-MSD 2018 — 肿瘤分割

排名	团队	方法	Tumor Dice (per case)	Tumor ASD (mm)
1	F. Isensee et al.	nnU-Net (3D, self-configured)	0.739	0.903
2	—	—	0.721	—

• MSD 2018 相比 ISBI 2017，Dice 提升达统计显著（p=0.015）
• 3D 方法在 MSD 2018 中占主导

§8.2 后续 SOTA 排行榜（非官方提交）

方法	年份	Liver Dice	Tumor Dice (per case)	Tumor Global Dice	来源
nnU-Net	2020	0.967	0.763	0.858	arXiv:2004.02002
J. Zhang (Light Hybrid CNN)	2019	0.965	0.730	0.820	IJCAI 2019
Y. Tang (E²Net)	2020	0.966	0.724	0.829	arXiv:2011.03095
X. Li (H-DenseUNet)	2018	0.961	0.722	0.824	TMI 2018
X. Wang (Volumetric Attention)	2019	—	0.741	—	MICCAI 2019
CodaLab 最佳 (2022.04)	2022	—	~0.825	—	CodaLab

§8.3 现代基准排行榜（TriALS 5 折交叉验证）

模型	Epochs	Liver Dice (%)	Tumor/Lesion Dice (%)	Tumor Jaccard (%)	参数量 (M)
nnU-Net 3D	1000	96.28	79.57	67.06	88.6
SAMed-H	100	95.58	78.60	65.77	—
MedNeXt-L	100	94.55	77.85	65.02	—
nnU-Net 2D	100	95.30	77.14	64.05	88.6
MedNeXt-B	100	93.60	77.44	64.57	—
UMambaBot	100	92.30	77.31	64.41	173.5
LightM-UNet	100	96.31	72.86	66.67	1.87
SegResNet	100	90.99	76.15	63.18	18.8
SwinUNETR	100	86.74	74.21	60.74	62.0

注：以上结果来自 xmed-lab/TriALS 仓库，使用 MSD Liver 数据集（与 LiTS 相同数据），5 折交叉验证。Dice 系数按 lesion 平均计算。nnU-Net 3D 在 1000 epochs 训练后达到最优。

§8.4 关键洞察

1. 肝脏分割已接近饱和：Liver Dice 0.963+ 已接近人类 IAA (0.952)，进一步提升困难
2. 肿瘤分割仍有显著空间：最佳 Tumor Dice 0.763（per case）远低于人类 IAA (0.952)
3. 检测是更大挑战：最佳 lesion-wise recall 仅 0.554，小肿瘤（< 5mm）几乎无法检出
4. 3D 方法优势明显：从 ISBI 2017 的 2D/2.5D 到 MSD 2018 的 3D，性能提升显著
5. nnU-Net 持续领先：自配置 3D 架构至今仍是最强基线
6. SAM 系列潜力初显：SAMed-H 在 100 epochs 即达到 78.6% Tumor Dice

§9 资源与引用

§9.1 数据集下载

资源	链接	说明
官方挑战赛	https://competitions.codalab.org/competitions/17094	CodaLab 平台，数据下载 + 在线评测
GitHub	https://github.com/PatrickChrist/LiTS-CHALLENGE	评测代码、数据格式说明
MSD Task03 Liver	https://medicaldecathlon.com/	LiTS 数据的 MSD 版本
Kaggle 镜像	https://www.kaggle.com/datasets/andrewmvd/liver-tumor-segmentation	社区镜像
Aistudio	https://aistudio.baidu.com/	国内下载（飞桨 AI Studio）

§9.2 核心论文

#	论文	引用	关键贡献
1	Bilic et al., “The Liver Tumor Segmentation Benchmark (LiTS)”	Medical Image Analysis 84:102680, 2023	基准论文，75 个算法综合分析
2	Isensee et al., “nnU-Net: a self-configuring method for deep learning-based biomedical image analysis”	Nature Methods 18:203-211, 2021	MSD 冠军，自配置 3D U-Net
3	Li et al., “H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes”	IEEE TMI 37(12):2663-2674, 2018	2D+3D 混合架构，经典级联方法
4	Han et al., “Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields”	MICCAI 2017	ISBI 2017 冠军，2.5D Residual U-Net
5	Yuan et al., “Hierarchical 2.5D FCN for Liver Lesion Segmentation”	MICCAI 2017	MICCAI 2017 肝脏分割冠军
6	Vorontsov et al., “Liver lesion segmentation based on FCN with two-pathway ensemble”	ISBI 2017	级联 FCN + 随机森林后处理
7	Chlebus et al., “Neural network-based automatic liver segmentation in CT”	ISBI 2017	3 方向 2D U-Net 集成
8	Roth et al., “Spatial aggregation of holistically-nested convolutional neural networks for automated pancreatic lesion detection and segmentation”	Medical Image Analysis 2018	2.5D 级联架构
9	Roy et al., “Recalibrating Fully Convolutional Networks with X-Ray Images”	MICCAI 2020	不确定性校准
10	Hatamizadeh et al., “UNETR: Transformers for 3D Medical Image Segmentation”	WACV 2022	Transformer 架构在 LiTS 上的应用

§9.3 生态系统快照

组件	状态	说明
CodaLab 在线评测	✅ 活跃	3414+ 次提交，持续接受
nnU-Net 预训练模型	✅ 可用	nnU-Net v2 支持 LiTS/MSD Liver
MONAI LiTS 配方	✅ 可用	MONAI 框架内置 LiTS 数据处理
TriALS Benchmark	✅ 活跃	2024-2025 基准，7 种模型对比
3D-IRCADb	⚠️ 子集	20 例已包含在 LiTS 中
MSD Task03 Liver	⚠️ 同源	使用 LiTS 数据，443 例（含扩展）
SLIVER07	✅ 互补	30 例肝脏分割（无肿瘤），可合并使用

§9.4 6 大坑点详解

坑点 1：3D-IRCADb 数据重叠

问题：LiTS 训练集包含 3D-IRCADb 全部 20 例数据（来自 IRCAD France）。许多研究者在 LiTS 训练后使用 3D-IRCADb 作为"外部验证集"，实际上是在训练集上评估，导致数据泄漏。

影响：外部验证 Dice 被高估 5-10%。

解决方案：

• 使用 3D-IRCADb 时，从 LiTS 训练集中排除 IRCAD 贡献的 20 例（volume-28 到 volume-47 中部分）
• 或使用完全不重叠的数据集（如 CHAOS、HCC-TACE-Seg）进行外部验证

坑点 2：MSD Task03 Liver = LiTS

问题：Medical Segmentation Decathlon 的 Task03 Liver 直接使用 LiTS 数据。许多研究者在 LiTS 上训练后在 MSD Liver 上"验证"，实际上是在相同数据上评估。

影响：性能被严重高估，无法反映真实泛化能力。

解决方案：

• 明确区分 LiTS 和 MSD Liver 的训练/测试划分
• 不要混合使用两个数据集
• 使用 CHAOS 或 SLIVER07 作为独立外部验证

坑点 3：测试集标注不公开

问题：70 例测试集的标注仅由 TUM 组织者持有，不对外公开。无法进行本地测试集评估。

影响：

• 无法快速迭代（每次需提交 CodaLab）
• 无法计算除官方指标外的其他指标（如 surface Dice）
• 无法进行误差分析（无法查看哪些 case 失败）

解决方案：

• 将 131 例训练集进一步划分为 train/val/test
• 使用 5 折交叉验证进行模型选择
• 最终在 CodaLab 提交一次

坑点 4：HU 裁剪窗口不一致

问题：不同研究团队使用的 HU 裁剪窗口差异巨大（[-200,200] 到 [-100,400]），直接影响模型性能和结果可比性。

影响：相同模型在不同 HU 窗口下 Tumor Dice 可差 2-5%。论文之间的性能对比可能不公平。

解决方案：

• 统一使用 [-100, 400] 或 nnU-Net 自动确定的百分位裁剪
• 在论文中明确报告 HU 裁剪范围
• 使用 nnU-Net 默认预处理作为标准化基线

坑点 5：肿瘤分割性能远低于人类

问题：最佳算法的 Tumor Dice（per case）为 0.763，而人类 IAA（R1 vs R3/R4）为 0.952。即使是 R1 vs R2（新标注 vs 原始）也仅 70.2%。

影响：

• 0.763 vs 0.952 的差距说明模型远未达到专家水平
• 小肿瘤（< 5mm）几乎无法检出（recall < 0.554）
• 模型在高密度（hyperdense）和低对比度肿瘤上表现差异显著

解决方案：

• 关注 lesion-wise detection（recall/precision）而非仅 Dice
• 使用级联架构（先肝脏 ROI，再肿瘤分割）
• 引入注意力机制和多尺度特征融合

坑点 6：检测与分割性能不对齐

问题：LiTS 挑战赛以 Dice 排名，但 Dice 高的方法不一定检测性能好。MICCAI 2017 冠军 J. Zou 的方法在 Dice 上排名第一（0.702），但 precision 仅 0.148（大量假阳性），说明通过高召回率"刷"Dice。

影响：仅看 Dice 会误导对临床实用性的评估。临床更关心是否检出所有肿瘤（recall），而非分割精度。

解决方案：

• 同时报告 Dice 和检测指标（recall, precision, F1）
• 关注 lesion-wise recall 而非仅 global Dice
• 使用 per-case Dice 而非 global Dice（后者可能被大肿瘤主导）

§9.5 版本抉择矩阵

需求	推荐版本	理由
标准分割训练	LiTS 训练集 (131 例)	数据量适中，标注质量高
在线评测	LiTS 测试集 (70 例, CodaLab)	唯一可获取官方排名的方式
与 MSD 方法对比	MSD Task03 Liver	同源数据，但划分可能不同
肝脏分割（无肿瘤）	LiTS + SLIVER07	合并使用增加数据量
外部验证	CHAOS / HCC-TACE-Seg	不与 LiTS 数据重叠
轻量化部署	LightM-UNet (1.87M params)	参数量极小，性能可接受

§9.6 常见问题

Q: LiTS 和 MSD Task03 Liver 是同一个数据集吗？

A: 是的。MSD Task03 Liver 直接使用 LiTS 数据。两者不应合并使用。如果需要区分，LiTS 原始划分是 131 train + 70 test，而 MSD 划分是 303 train + 140 test（MSD 可能包含额外扩展数据）。

Q: 3D-IRCADb 可以与 LiTS 合并使用吗？

A: 不可以。LiTS 训练集已经包含 3D-IRCADb 的全部 20 例数据（来自 IRCAD France 贡献）。合并会导致这 20 例同时在训练集和验证集中，造成数据泄漏。

Q: 为什么测试集的标注不公开？

A: LiTS 采用"在线评测"模式，测试集标注由 TUM 组织者持有。参与者将预测结果提交至 CodaLab 平台进行评估。这确保了测试集不被用于训练（防止过拟合），但限制了本地评估的灵活性。

Q: LiTS 的标注者间一致性如何？

A: 论文报告了两种 IAA：(1) R1（原始标注）vs R2（新标注放射科医生）的肿瘤 Dice 中位数为 70.2%，表明不同标注者对肿瘤边界存在较大分歧；(2) R1 vs R3/R4（委员会认证放射科医生）的肿瘤 Dice 中位数为 95.2%，表明经过专家审核后一致性很高。最佳算法的 Tumor Dice 为 0.763，仍远低于专家审核后的 IAA (0.952)。

Q: 应该使用哪种 HU 裁剪窗口？

A: 没有统一答案，但推荐使用 [-100, 400] 或 nnU-Net 自动确定的数据驱动百分位裁剪。[-200, 200] 更聚焦软组织但可能丢失肿瘤信息，[-100, 400] 保留更广范围。关键是保持一致并在论文中报告。

Q: LiTS 是否包含非门静脉期 CT？

A: 不包含。LiTS 所有 201 例 CT 均为门静脉期（portal venous phase）增强扫描。如果需要动脉期或延迟期数据，需要使用其他数据集（如 HCC-TACE-Seg 含动脉期）。