自体PET挑战赛
全身FDG-PET/CT中的自动病灶分割。主题标签：肿瘤、癌症、FDG-PET/CT、全身病灶分割、图像分割。本站分类：肿瘤/癌症（总论）
基本信息
资源简介
自体PET挑战赛
Grand Challenge: autoPET 是一个面向全身 FDG-PET/CT 影像的自动病灶分割数据集，主题涵盖肿瘤、癌症、FDG-PET/CT、全身病灶分割与图像分割等方向。该数据集来源于 autoPET.grand-challenge.org，源站对其核心任务的描述为“Automatic lesion segmentation in whole-body FDG-PET/CT”，即在全身氟代脱氧葡萄糖正电子发射断层扫描/计算机断层扫描中实现病灶的自动分割。在本站分类体系中，该数据集归属于肿瘤 / 癌症（总论）方向，适合作为肿瘤影像分析、全身病灶识别与分割算法研究的公开数据资源。
【数据集背景】
该数据集依托 Grand Challenge 平台发布，名称为 autoPET。其设立的核心目标围绕全身 FDG-PET/CT 影像中的自动病灶分割任务展开。FDG-PET/CT 是肿瘤临床与研究中常用的全身成像方式，能够同时提供代谢信息与解剖结构信息。对全身影像中的病灶进行自动分割，有助于提升影像分析的效率与一致性，也是医学图像处理领域的重要研究方向。该数据集的主题标签包括肿瘤、癌症、FDG-PET/CT、全身病灶分割和图像分割，说明其关注点集中在肿瘤相关病灶的自动识别与分割。
【数据内容】
源站描述指出，该数据集的任务是全身 FDG-PET/CT 中的自动病灶分割。由此可知，其数据内容涉及全身 FDG-PET/CT 影像以及与之对应的病灶分割任务。关于具体的样本数量、影像模态组合方式、标注格式、文件结构、病灶类别划分等细节，源站未提供。
【采集与来源】
该数据集来源于 autoPET.grand-challenge.org，发布平台为 Grand Challenge。关于数据采集机构、采集设备型号、采集时间范围、受试者来源与纳入排除标准等信息，源站未提供。
【适用场景】
基于其主题标签与任务描述，该数据集适用于肿瘤与癌症相关的全身病灶分割研究，尤其是面向 FDG-PET/CT 的自动分割算法开发与评估。其“全身”与“病灶分割”的属性，使其可用于探索多病灶、全身范围内的自动识别与分割方法。关于具体的竞赛任务设置、评价指标、排行榜规则或临床应用场景，源站未提供。
【使用方法】
该数据集通过 Grand Challenge 平台发布，通常此类平台以在线挑战的形式提供数据访问与结果评测。关于数据下载方式、使用协议、提交格式、评测流程与基线方法等具体操作信息，源站未提供。
【质量与限制】
关于该数据集的标注质量、数据规模、类别平衡性、影像质量差异、潜在偏倚以及使用限制等信息，源站未提供。
【引用与许可】
关于该数据集的引用方式、许可协议、使用条款与版权归属等信息，源站未提供。
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。
需登录公开下载
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。
暂未开放有偿下载
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
源站：https://autopet.grand-challenge.org/
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
Automatic lesion segmentation in whole-body FDG-PET/CT
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
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。
