Grand Challenge：autoPET-II 数据集
PET/CT中的自动病变分割——域泛化。主题标签：肿瘤、癌症、PET/CT、病灶分割、域泛化、医学影像。本站分类：肿瘤/癌症（总论）
基本信息
资源简介
Grand Challenge：autoPET-II 数据集
autoPET-II 是一个面向 PET/CT 影像的自动病变分割数据集，其英文全称为 Grand Challenge: autoPET-II。该数据集在来源站 autopet-ii.grand-challenge.org 上发布，主题聚焦于 PET/CT 中的自动病变分割与域泛化问题。从分类角度看，它归属于肿瘤与癌症（总论）方向，涉及的核心标签包括肿瘤、癌症、PET/CT、病灶分割、域泛化以及医学影像。该数据集旨在为医学影像分析领域提供针对病变区域自动识别的资源支持，尤其关注模型在不同来源或不同成像条件下保持分割性能的能力，即域泛化能力。整体而言，autoPET-II 是一个围绕 PET/CT 多模态影像、以自动病灶分割为任务目标、并强调跨域泛化性能的医学影像数据集。
【数据集背景】
autoPET-II 来源于 Grand Challenge 平台，其源站描述为“Automated Lesion Segmentation in PET/CT - Domain Generalization”，即“PET/CT 中的自动病变分割——域泛化”。该描述表明，该数据集的核心科学问题在于：如何让自动分割模型在 PET/CT 影像中准确识别病变区域，并且在面对不同域（例如不同扫描设备、不同采集中心或不同成像协议等）时仍能保持稳定的分割表现。域泛化是医学影像人工智能领域的重要挑战之一，因为训练数据与测试数据之间往往存在分布差异，模型若仅在单一来源数据上训练，可能难以泛化到新的临床环境。autoPET-II 正是围绕这一挑战而设立，属于肿瘤与癌症（总论）分类下的医学影像数据集。
【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、域泛化、医学影像。由此可知，其数据内容涉及 PET/CT 影像以及与之对应的病变分割任务。PET/CT 是一种将正电子发射断层扫描（PET）与计算机断层扫描（CT）相结合的成像方式，常用于肿瘤学中的病灶检测、分期与疗效评估。自动病变分割则是指利用算法从影像中自动勾画出病变区域。关于数据集的具体样本数量、影像尺寸、标注格式、文件结构、训练集与测试集划分等详细内容，源站未提供。
【采集与来源】
该数据集来源于 autopet-ii.grand-challenge.org，属于 Grand Challenge 平台上的一个挑战赛数据集。Grand Challenge 是医学影像分析领域常用的挑战赛与数据集发布平台。关于数据的具体采集机构、扫描设备型号、采集参数、患者人群分布、伦理审批信息以及数据收集时间范围等，源站未提供。
【适用场景】
基于其主题标签与源站描述，autoPET-II 适用于以下方向：PET/CT 影像中的自动病变分割研究；肿瘤与癌症相关的医学影像分析；域泛化方法在医学影像分割中的评估与验证；以及跨域场景下病灶分割模型的鲁棒性研究。该数据集可用于开发、训练和评测能够在不同数据分布条件下保持性能的自动分割算法。关于具体的临床适用场景、目标疾病类型细分或预期临床应用，源站未提供。
【使用方法】
该数据集通过 Grand Challenge 平台发布，通常此类数据集需要参与者注册并遵守平台的使用规则。关于数据下载方式、访问权限、预处理步骤、评价指标、提交格式以及挑战赛的具体任务设定，源站未提供。
【质量与限制】
该数据集聚焦于 PET/CT 自动病变分割与域泛化，其设计目标即在于应对跨域泛化问题，这本身也暗示了域差异可能是该数据集关注的核心限制或挑战之一。关于数据标注质量、标注者一致性、数据偏倚、样本多样性、影像质量评估以及已知的技术限制等具体信息，源站未提供。
【引用与许可】
关于该数据集的引用格式、许可协议、使用条款、商业使用限制以及版权归属等信息，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-ii.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 - Domain Generalization
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。
