AIMI标注倡议下BAMF生成的图像分割数据
AIMI标注计划下BAMF为IDC公开癌症影像集合生成影像分割。因人工标注成本高，IDC许多集合标注有限；研究用公开数据训练多个基于nnUNet的放射学分割模型生成分割
基本信息
资源简介
AIMI标注倡议下BAMF生成的图像分割数据
Image segmentations produced by BAMF under the AIMI Annotations initiative
AIMI标注计划下BAMF为IDC公开癌症影像集合生成影像分割。因人工标注成本高，IDC许多集合标注有限；研究用公开数据训练多个基于nnUNet的放射学分割模型生成分割。约10%的AI预测进入验证集，由委员会认证放射科医生按Likert量表评分，未“强烈同意”者予以校正。记录含AI分割、手动校正分割与人工评分，仅10%的AI标注经专家放射科医生验证（来源 Zenodo，cc-by-4.0 许可）。
【数据集背景】
项目资助方：AIMI Annotations。源站首次发布：2024-08-06。
【数据内容】
源站描述（机器翻译，仅供参考）：Imaging Data Commons（IDC）（https://imaging.datacommons.cancer.gov/）[1] 将研究人员与公开可用的癌症影像数据连接起来，这些数据通常与其他类型的癌症数据相关联。许多集合的标注有限，因为人工创建这些标注需要高昂的费用和大量工作。放射影像 AI 分析能力的提升，为用新的标注数据扩充现有 IDC 集合提供了机会。为推进这一目标，我们从公共数据集中训练了多个基于 nnUNet [2] 的模型，用于多种放射影像分割任务，并用它们为 IDC 集合生成分割结果。为验证模型性能，约 10% 的 AI 预测被分配到验证集。对于该验证集，一名经专业委员会认证的放射科医生按李克特量表对 AI 预测的质量进行评分。如果其未对 AI 输出给出“非常同意”，审阅者会校正分割。该记录提供了所检查的 IDC 集合图像的 AI 分割、人工校正分割和人工评分。该数据集中提供的 AI 衍生标注仅有 10% 由专家放射科医生验证。有关模型训练和标注的更多细节见相关论文，以确保透明性和可重复性。这项工作分两个阶段完成。该记录的 1.x 版本来自第一阶段。2.x 版本增加了额外记录。在 1.x 版本的集合中，一名医学生（非专家）审查了所有 AI 预测，并按 5 点李克特量表对其进行评分；对于验证集中任何其未“非常同意”的 AI 预测，该非专家提供了校正后的分割。该非专家未参与 2.x 版本的额外记录工作。李克特评分定义：审阅者用于评定 AI 分割质量的指南。5 非常同意——按原样使用（即临床可接受，无需更改即可用于治疗）4 同意——非必要的微小修改。属于风格差异，但无临床重要性。当前分割结果可接受 3 既不同意也不反对——必要的微小修改。微小修改是指审阅者判定其可在少于从头开始所需的时间内完成，或预期对治疗结局影响很小的修改 2 不同意——重大修改。该…
【数据结构与技术规格】
文件数 11 个，合计 686.30 MB。数据集 DOI：10.5281/zenodo.13244892。
【主题与分类】
主题标签：cancer、radiology、DICOM、segmentation、artificial intelligence。本站分类：肿瘤/癌症（总论）。
【获取与许可】
源站页面：https://zenodo.org/records/13244892
使用许可：cc-by-4.0。
【使用注意】
· 源站最后修改于 2024-09-27，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Zenodo 公开直链）
curl -L -o "lung-ct.zip" "https://zenodo.org/api/records/13244892/files/lung-ct.zip/content"
curl -L -o "breast-fdg-pet-ct.zip" "https://zenodo.org/api/records/13244892/files/breast-fdg-pet-ct.zip/content"
curl -L -o "liver-ct.zip" "https://zenodo.org/api/records/13244892/files/liver-ct.zip/content"
curl -L -o "liver-mr.zip" "https://zenodo.org/api/records/13244892/files/liver-mr.zip/content"
curl -L -o "lung-fdg-pet-ct.zip" "https://zenodo.org/api/records/13244892/files/lung-fdg-pet-ct.zip/content"
curl -L -o "prostate-mr.zip" "https://zenodo.org/api/records/13244892/files/prostate-mr.zip/content"
curl -L -o "lung2-ct.zip" "https://zenodo.org/api/records/13244892/files/lung2-ct.zip/content"
curl -L -o "kidney-ct.zip" "https://zenodo.org/api/records/13244892/files/kidney-ct.zip/content"
文件清单
lung-ct.zip（69.4 MB）breast-fdg-pet-ct.zip（0.8 MB）liver-ct.zip（4.5 MB）liver-mr.zip（1.6 MB）lung-fdg-pet-ct.zip（9.3 MB）prostate-mr.zip（7.2 MB）lung2-ct.zip（246.2 MB）kidney-ct.zip（10.6 MB）breast-mr.zip（237.1 MB）liver2-ct.zip（29.7 MB）brain-mr.zip（38.3 MB）
数据集大小约 686.3 MB。
数据说明
Imaging Data Commons（IDC）（https://imaging.datacommons.cancer.gov/）[1] 将研究人员与公开可用的癌症影像数据连接起来，这些数据通常与其他类型的癌症数据相关联。许多集合的标注有限，因为人工创建这些标注需要高昂的费用和大量精力。放射学图像AI分析能力的提升，为用新的标注数据扩充现有IDC集合提供了机会。为实现这一目标，我们基于nnUNet [2]训练了多个模型，用于处理来自公共数据集的各种放射学分割任务，并使用它们为IDC集合生成分割结果。为验证模型性能，约10%的AI预测被分配到验证集。对于该验证集，一位获得专业委员会认证的放射科医生按Likert量表对AI预测的质量进行评分。如果审核者未对AI输出“非常同意”，则审核者会校正分割结果。本记录提供所检查IDC集合图像的AI分割结果、人工校正分割结果和人工评分。本数据集中提供的AI衍生标注仅有10%经专家放射科医生验证。有关模型训练和标注的更多细节，见相关论文，以确保透明性和可重复性。这项工作分两个阶段完成。本记录的Version 1.x来自第一阶段。Version 2.x增加了额外记录。在Version 1.x集合中，一名医学生（非专家）审查了所有AI预测，并按5点Likert量表对其评分；对于验证集中任何其未“非常同意”的AI预测，该非专家提供了校正后的分割结果。对于Version 2.x新增记录，未使用该非专家。Likert评分定义：供审核者评估AI分割质量的指南。5 非常同意 - 按原样使用（即临床可接受，可不加修改用于治疗）4 同意 - 非必要的轻微编辑。风格差异，但无临床重要性。当前分割结果可接受 3 既不同意也不反对 - 必要的轻微编辑。轻微 e
许可
cc-by-4.0
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
