肺纤维化疾病气道定量CT成像生物标志物2023 (AIIB23)
AIIB23包含120例肺纤维化患者HRCT，标注气道结构及死亡状态，用于气道分割和死亡率预测QIB研究。
基本信息
资源简介
肺纤维化疾病气道定量CT成像生物标志物2023 (AIIB23)
【一句话概览】
气道相关定量影像生物标志物对肺部疾病诊疗至关重要，但人工勾画气道树耗时巨大。现有公开数据集多集中于形态变化中等的肺部疾病，而纤维化肺病组织中的蜂窝状改变加剧了预测误差。为此，2023年MICCAI会议同期举办了AIIB23竞赛，由三名放射科医生精细标注气道结构，鼓励开发高鲁棒性与泛化能力的自动气道分割模型，并探索与死亡率预测最相关的定量影像生物标志物。竞赛公开了120例训练集、52例在线验证集及140例离线测试集。结果显示，引入体素加权广义并集损失与连续性损失可提升纤维化肺病患者气道树提取能力，并发现一个强气道衍生生存预测标志物（来源 arXiv）。
【数据集背景】
本数据集源站标题为《arXiv Query: search_query=&id_list=2312.13752v2&start=0&max_results=1》。源站首次发布：2023-12-21。
【数据内容】
源站原始描述：Airway-related quantitative imaging biomarkers are crucial for examination, diagnosis, and prognosis in pulmonary diseases. However, the manual delineation of airway trees remains prohibitively time-consuming. While significant efforts have been made towards enhancing airway modelling, current public-available datasets concentrate on lung diseases with moderate morphological variations. The intricate honeycombing patterns present in the lung tissues of fibrotic lung disease patients exacerbate t…
中文译文（机器翻译，仅供快速理解，请以原文为准）：气道相关的定量影像生物标志物在肺部疾病的检查、诊断和预后中至关重要。然而，人工勾画气道树仍然耗时过长。尽管在增强气道建模方面已投入大量努力，但当前公开可用的数据集主要集中于具有中等形态变异的肺部疾病。纤维化肺病患者肺组织中存在的复杂蜂窝状图案加剧了挑战，常导致各种预测误差。为解决这一问题，结合2023年国际医学图像计算与计算机辅助干预会议（MICCAI）官方会议，组织了“2023年纤维化肺病气道信息定量CT成像生物标志物”（AIIB23）竞赛。气道结构由三位经验丰富的放射科医生精心标注。鼓励参赛者开发具有高鲁棒性和泛化能力的自动气道分割模型，随后探索与死亡率预测最相关的QIB。公开了包含120例高分辨率计算机断层扫描（HRCT）的训练集，附有专家标注和死亡状态。在线验证集纳入了52例纤维化肺病患者的HRCT扫描，离线测试集包括140例纤维化和COVID-19患者的病例。结果表明，通过引入体素加权广义联合损失和连续性损失，可以增强从纤维化肺病患者中提取气道树的能力。除了用于预后的竞争性影像生物标志物外，与现有临床测量、临床医生评估和基于AI的生物标志物相比，还揭示了一种强大的气道衍生生物标志物（风险比>1.5，p<0.0001）用于生存预后。
【数据结构与技术规格】
数据集 DOI：10.1016/j.media.2024.103253。
【主题与分类】
主题标签：cs.AI、cs.CV、eess.IV。
【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://arxiv.org/abs/2312.13752v2
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。
免登录有偿下载
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
数据集说明
肺纤维化疾病气道定量CT成像生物标志物2023 (AIIB23) 对应论文数据集（arXiv 预印本）。
数据获取指引
- 打开论文页面获取作者与项目信息：https://arxiv.org/abs/2312.13752v2
- 论文 Data Availability / Code Availability 章节标注了数据实际托管位置；
- 获取到实际数据链接后，按对应平台标准方式下载。
论文摘要：Abstract:Airway-related quantitative imaging biomarkers are crucial for examination, diagnosis, and prognosis in pulmonary diseases. However, the manual delineation of airway trees remains prohibitively time-consuming. While significant efforts have been made towards enhancing airway modelling, current public-available datasets concentrate on lung diseases with moderate morphological variations. The intricate honeycombing patterns present in the lung tissues of fibrotic lung disease patients exacerbate the challenges, often leading to various prediction errors. To address this issue, the 'Airway-Informed Quantitative CT Imaging Biomarker for Fibrotic Lung Disease 2023' (AIIB23) competition was organized in conjunction with the official 2023 International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI). The airway structures were meticulously annotated by three experienced radiologists. Competitors were encouraged to develop automatic airway segmentation models with high robustness and generalization abilities, followed by exploring the most correlated QIB of mortality prediction. A training set of 120 high-resolution computerised tomography (HRCT) scans were publicly released with expert annotations and mortality status. The online validation set incorporated 52 HRCT scans from patients with fibrotic lung disease and the offline test set included 140 cases from fibrosis and COVID-19 patients. The results have shown that the capacity of extracting airway trees from patients with fibrotic lung disease could be enhanced by introducing
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。
