Grand Challenge：SegRap 2023 鼻咽癌分割挑战数据集
一个包含 200 例患者的分割挑战（两种模态的 CT 图像、45 个 OAR 和 2 个 GTV）。主题标签：鼻咽癌、图像分割、CT、OAR、GTV、肿瘤、放疗靶区
基本信息
资源简介
Grand Challenge：SegRap 2023 鼻咽癌分割挑战数据集
Grand Challenge: SegRap 2023 是一个面向鼻咽癌放疗场景的医学图像分割数据集与挑战赛资源，来源于 segrap2023.grand-challenge.org。该数据集共包含 200 例患者，提供两种模态的 CT 图像，并围绕 45 个危及器官（OAR）和 2 个肿瘤靶区（GTV）的分割任务展开。其主题涵盖鼻咽癌、图像分割、CT、OAR、GTV、肿瘤以及放疗靶区等方向，属于肿瘤与鼻咽癌相关数据资源。对于从事放疗计划、自动勾画和医学图像分割研究的人员而言，该数据集提供了一个以鼻咽癌病例为核心、同时覆盖多类危及器官与肿瘤靶区的分割挑战平台。
【数据集背景】
该数据集来自 Grand Challenge 平台上的 SegRap 2023 挑战赛，来源站为 segrap2023.grand-challenge.org。其定位是一个分割挑战，聚焦鼻咽癌相关结构。鼻咽癌放疗中，准确勾画肿瘤靶区和危及器官是治疗计划的重要环节，该挑战赛以 200 例患者数据为基础，设置两种模态的 CT 图像、45 个 OAR 和 2 个 GTV 的分割任务，旨在推动相关图像分割方法的研究与评测。本站将其归类为肿瘤 / 鼻咽癌方向。
【数据内容】
数据集包含 200 例患者。每例患者提供两种模态的 CT 图像。分割目标包括 45 个危及器官（OAR）和 2 个肿瘤靶区（GTV）。主题标签包括鼻咽癌、图像分割、CT、OAR、GTV、肿瘤、放疗靶区。除上述信息外，源站未提供更细粒度的数据内容说明，例如具体文件格式、图像尺寸、层厚、标注文件结构、训练集与测试集划分比例等。
【采集与来源】
该数据集来源于 segrap2023.grand-challenge.org，是 Grand Challenge 平台上的 SegRap 2023 挑战赛数据。源站描述其为一项包含 200 例患者的分割挑战，涉及两种模态的 CT 图像、45 个 OAR 和 2 个 GTV。关于采集机构、扫描设备、扫描参数、患者纳入排除标准、伦理审批与数据脱敏流程等，源站未提供。
【适用场景】
该数据集适用于鼻咽癌放疗相关的图像分割研究，尤其是危及器官和肿瘤靶区的自动勾画任务。由于包含两种模态的 CT 图像，可用于多模态图像分割方法的开发与评估；由于涵盖 45 个 OAR 和 2 个 GTV，可用于多结构分割、多类别分割以及放疗靶区勾画等场景。其主题标签中的鼻咽癌、图像分割、CT、OAR、GTV、肿瘤和放疗靶区也反映了其主要应用方向。除此之外的具体适用任务，源站未提供。
【使用方法】
该数据集以 Grand Challenge 挑战赛形式发布，来源站为 segrap2023.grand-challenge.org。通常此类挑战赛会提供训练数据与评测流程，但关于本数据集的具体使用方式，例如如何注册、如何下载、是否提供训练集与测试集、提交格式、评测指标、排名方式、基线方法等，源站未提供。因此，使用方法需以源站实际说明为准。
【质量与限制】
该数据集包含 200 例患者，提供两种模态的 CT 图像，并标注 45 个 OAR 和 2 个 GTV。这些信息表明其规模和多结构标注特征。但关于数据质量、标注一致性、标注者数量、标注流程、质量控制措施、数据偏倚、适用范围限制以及潜在风险等，源站未提供。使用时应注意其作为挑战赛数据集的定位，并结合具体研究目的评估适用性。
【引用与许可】
该数据集来自 Grand Challenge 平台上的 SegRap 2023 挑战赛，来源站为 segrap2023.grand-challenge.org。关于引用格式、论文出处、许可协议、使用条款、商业使用限制、数据再分发规定等，源站未提供。使用前应查阅源站获取正式引用与许可信息。
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://segrap2023.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
A segmentation challenge with 200 patients (two modalities of CT images, 45 OARs and 2 GTVs).
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。
