自体PET/CT四期挑战赛
PET/CT中的自动病变分割——人类前沿。主题标签：肿瘤、癌症、PET/CT、病灶分割、图像分割、自动分割。本站分类：肿瘤/癌症（总论）
基本信息
资源简介
自体PET/CT四期挑战赛
Grand Challenge: autoPET/CT IV 是一个聚焦于 PET/CT 影像中自动病变分割的公开挑战数据集，其主题围绕肿瘤与癌症的影像分析展开。该数据集来源于 autopet-iv.grand-challenge.org，源站将其描述为“PET/CT 中的自动病变分割——人类前沿”。从分类上看，它归属于肿瘤/癌症（总论）方向，涉及 PET/CT、病灶分割、图像分割和自动分割等主题标签。整体而言，该数据集旨在推动医学影像领域中对肿瘤病变的自动化识别与分割研究，为相关算法开发与评估提供统一的数据与挑战平台。
【数据集背景】
该数据集以“Grand Challenge”形式组织，属于 autoPET/CT 系列挑战的第四版（IV）。其核心议题是 PET/CT 影像中的自动病变分割，源站描述强调“人类前沿”，暗示该任务在自动化分割精度与临床可用性方面仍面临显著挑战。数据集所属分类为肿瘤/癌症（总论），说明其应用领域集中在肿瘤学影像分析，而非某一特定癌种。该挑战的设立与当前医学影像分析中自动分割技术发展需求密切相关，旨在通过标准化评测推动算法在真实临床场景中的表现提升。
【数据内容】
该数据集的主题标签包括肿瘤、癌症、PET/CT、病灶分割、图像分割、自动分割。由此可知，其数据内容围绕 PET/CT 影像中的病灶区域分割任务展开，涉及对肿瘤或癌症相关病变的自动识别与勾画。数据集英文名为 Grand Challenge: autoPET/CT IV，表明其属于挑战赛性质的数据资源，通常包含训练与测试数据以及相应的评测机制。关于具体样本数量、影像模态组合方式、标注格式、文件结构等细节，源站未提供。
【采集与来源】
该数据集来源于 autopet-iv.grand-challenge.org，即 Grand Challenge 平台上的 autoPET/CT IV 挑战页面。Grand Challenge 是医学影像领域常用的挑战赛组织平台，该数据集即通过该平台发布并管理。关于数据采集机构、扫描设备、采集中心数量、患者来源及伦理审批信息，源站未提供。
【适用场景】
该数据集适用于 PET/CT 影像中自动病变分割算法的开发、训练与评估，尤其面向肿瘤与癌症相关病灶的自动识别任务。其主题标签涵盖图像分割与自动分割，表明可应用于医学影像分析、计算机辅助诊断、放疗计划中的靶区勾画等研究方向。由于分类为肿瘤/癌症（总论），该数据集不局限于特定癌种，可能适用于多种肿瘤病变分割场景。关于具体临床任务、评价指标及适用人群，源站未提供。
【使用方法】
该数据集以 Grand Challenge 挑战赛形式提供，通常需要参与者注册并遵守挑战赛规则，使用训练数据开发算法，并在测试集上提交结果以参与评测。关于数据下载方式、提交格式、评测流程、基线方法及使用工具，源站未提供。
【质量与限制】
该数据集为公开挑战赛数据集，其质量与限制取决于挑战赛的组织与评测机制。源站描述强调“人类前沿”，提示该任务在自动分割方面仍存在挑战，可能涉及病变边界模糊、多模态融合困难等问题。关于数据标注质量、样本多样性、偏倚风险及具体限制，源站未提供。
【引用与许可】
该数据集来源于 autopet-iv.grand-challenge.org，使用时应遵循 Grand Challenge 平台及该挑战赛的引用与许可要求。关于具体引用格式、许可协议、数据使用条款及商业使用限制，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-iv.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
Automated Lesion Segmentation in PET/CT - The human frontier
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。
