HECKTOR头颈肿瘤PET/CT挑战数据
HECKTOR可作为鼻腔副鼻窦肿瘤PET/CT分割方法的迁移基准，支持多中心泛化和复发预测研究。
基本信息
资源简介
HECKTOR头颈肿瘤PET/CT挑战数据
【一句话概览】
MICCAI HECKTOR 2022 挑战赛将在第25届MICCAI大会上展示，继2020和2021年两届成功举办后，今年提出两项任务：任务一为FDG-PET/CT图像中头颈原发肿瘤及淋巴结的自动分割（新增淋巴结分割）；任务二为基于FDG-PET/CT图像和临床数据预测患者无复发生存期。头颈癌是全球常见癌症之一，放化疗后局部区域失败仍是主要挑战。既往影像组学研究虽具前景，但验证样本量有限，需更大规模队列验证（来源 hecktor.grand-challenge.org）。
【数据集背景】
本数据集源站标题为《MICCAI HECKTOR 2022》。
【数据内容】
源站原始描述：Following the success of the first two editions of the HECKTOR challenge in 2020 and 2021, this challenge will be presented at the 25th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2022. Two tasks are proposed this year (participants can choose to participate in either or both tasks): Task 1 : The automatic segmentation of Head and Neck (H&N) primary tumors and lymph nodes ( new! ) in FDG-PET/CT images; Task 2 : The prediction of patient outcome…
中文译文（机器翻译，仅供快速理解，请以原文为准）：继2020年和2021年HECKTOR挑战赛前两届取得成功之后，本届挑战赛将在2022年第25届国际医学图像计算与计算机辅助干预会议（MICCAI）上举办。今年提出了两项任务（参赛者可以选择参加其中一项或两项）：任务1：在FDG-PET/CT图像中自动分割头颈部（H&N）原发肿瘤和淋巴结（新增！）；任务2：根据FDG-PET/CT图像和现有临床数据预测患者结局，即无复发生存期（RFS）。头颈部（H&N）癌症是全球最常见的癌症之一（发病率位居第五）[Parkin et al. 2005]。放疗联合西妥昔单抗已被确立为标准治疗方案[Bonner et al. 2010]。然而，局部区域失败仍然是一项重大挑战，在治疗后头两年内高达40%的患者会出现这种情况[Chajon et al. 2013]。近年来，一些基于正电子发射断层扫描（PET）和计算机断层扫描（CT）影像的放射组学研究被提出，旨在以非侵入性方式并利用诸如为诊断和治疗计划而采集的现有图像，更好地识别预后较差的患者[Vallières et al. 2017; Bogowicz et al. 2017; Castelli et al. 2017]。尽管这些方法极具前景，但仅在100-400名患者上进行了验证。需要在更大规模队列（例如500-3000名患者）上进一步验证，以确保变量数量与观测数量之间具有适当比例，从而避免高估泛化性能。实现此类验证需要对每位患者的三维原发肿瘤和淋巴结转移进行手动勾画，这既难以处理又容易出错。2020年，我们组织了HECKTOR挑战赛，为从事3D分割算法研究的参与者提供了一个机会，以开发自动双模态方法，用于在PET/CT扫描中分割头颈部原发肿瘤（GTVp），重点关注口咽癌[Oreiller et al. 2022]。在2021年一届中，挑战赛的范围有所扩大，提出了在更大规模人群上进行分割任务…
【主题与分类】
主题标签：Head and Neck Cancer、PET/CT、FDG-PET、Tumor Segmentation、Outcome Prediction、Recurrence-Free Survival、GTVp、GTVn、Radiomics、Multi-centric。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://hecktor.grand-challenge.org/
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。
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://hecktor.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
头颈癌FDG-PET/CT影像和肿瘤分割标注，用于自动分割和预后预测。
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。
