KiTS19肾脏肿瘤分割挑战
KiTS19包含肾癌术前CT和肾脏、肿瘤分割标注，是肾肿瘤自动分割、体积测量和手术规划研究的经典挑战数据集。
基本信息
资源简介
KiTS19肾脏肿瘤分割挑战
【一句话概览】
KiTS19 是 2019 年肾脏肿瘤分割挑战赛的信息主页。该挑战旨在加速可靠的肾脏与肾脏肿瘤语义分割方法开发。主办方为 300 名接受部分或根治性肾切除术的肾癌患者的动脉期腹部 CT 扫描制作了真值语义分割，其中 210 例已发布用于模型训练与验证，其余 90 例留作客观模型评估。该挑战与 MICCAI 2019 在深圳联合举办，得分前五的队伍将受邀口头报告方法并共同撰写相关期刊论文（来源 kits19.grand-challenge.org）。
【数据集背景】
本数据集源站标题为《KiTS19》。
【数据内容】
源站原始描述：This site is the home to all information related to the 2019 Kidney Tumor Segmentation Challenge. For the most up-to-date information, please visit our announcements page. Overview ¶ There are more than 400,000 new cases of kidney cancer each year [1], and surgery is its most common treatment [2]. Due to the wide variety in kidney and kidney tumor morphology, there is currently great interest in how tumor morphology relates to surgical outcomes, [3,4] as well as in developing advanced surgical p…
中文译文（机器翻译，仅供快速理解，请以原文为准）：本网站是2019年肾脏肿瘤分割挑战赛所有相关信息的所在地。欲获取最新信息，请访问我们的公告页面。概述 ¶ 每年有超过40万新发肾癌病例[1]，手术是其最常见的治疗方式[2]。由于肾脏及肾脏肿瘤形态的多样性，目前对于肿瘤形态与手术结果之间的关系[3,4]以及开发先进的手术规划技术[5]有着浓厚的兴趣。自动语义分割是这些努力中的一个有前景的工具，但形态异质性使其成为一个难题。本次挑战的目标是加速可靠肾脏及肾脏肿瘤语义分割方法的发展。我们为300位在本机构接受部分或根治性肾切除术的独特肾癌患者的动脉期腹部CT扫描制作了地面实况语义分割。其中210例已发布用于模型训练和验证，剩余90例将保留用于客观模型评估（详见详细数据描述）。与中国深圳MICCAI 2019联合举办此挑战的提案已提交并获接受。得分最高的5支队伍将被邀请口头介绍其方法，并共同撰写关于该挑战的期刊论文。
【主题与分类】
主题标签：kidney cancer、kidney tumor、semantic segmentation、CT、abdominal CT、arterial phase、nephrectomy、MICCAI 2019。
【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://kits19.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://kits19.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
KiTS19包含肾癌术前CT和肾脏、肿瘤分割标注，是肾肿瘤自动分割、体积测量和手术规划研究的经典挑战数据集。
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。
