3DLAND

3DLAND是由谢里夫理工大学团队创建的大规模腹部CT扫描数据集，包含6000个增强CT扫描体积和20000多个高保真3D病变注释，覆盖肝脏、肾脏、胰腺、脾脏、胃和胆囊等七个腹部器官。数据集通过自动化空间推理、提示优化的2D分割和记忆引导的3D传播流程创建，并由放射科专家验证，表面Dice分数超过0.75。该数据集旨在推动医疗AI在异常检测、定位和跨器官迁移学习方面的研究，为器官感知的3D分割模型提供新的基准。3DLAND is a large-scale abdominal CT scan dataset developed by a research team at Sharif University of Technology. It contains 6000 enhanced CT scan volumes and over 20,000 high-fidelity 3D lesion annotations, covering seven abdominal organs including the liver, kidney, pancreas, spleen, stomach, gallbladder, and others. The dataset is constructed via an automated spatial reasoning, prompt-optimized 2D segmentation, and memory-guided 3D propagation pipeline, and validated by radiologists, with a surface Dice score exceeding 0.75. This dataset aims to advance research on medical AI in anomaly detection, localization, and cross-organ transfer learning, and serves as a novel benchmark for organ-aware 3D segmentation models.

搜集汇总

数据集介绍

构建方式

在腹部医学影像分析领域，三维标注的稀缺性限制了病变检测与定位模型的泛化能力。3DLAND数据集的构建采用了一个高效的三阶段流程，首先基于DeepLesion数据集中的增强CT影像，通过预训练的TotalSegmentator模型进行多器官分割，并利用空间重叠推理与欧氏距离计算，将病变精准关联至肝脏、肾脏等七个腹部器官。随后，采用经过优化的边界框与中心点提示，驱动MedSAM1模型生成高精度的二维病变掩码。最终，借助MedSAM2模型的记忆引导三维传播机制，将关键切片上的掩码扩展至整个体积，形成与器官关联的体素级三维标注，整个过程均经过放射学专家的严格验证，确保了标注的临床可靠性。

使用方法

该数据集为医学人工智能研究提供了多方面的应用途径。研究者可利用其丰富的器官感知三维标注，系统性地开发和评估针对腹部病变的自动检测与分割算法，特别是测试模型在跨器官场景下的泛化性能。数据集支持对先进的三维分割模型进行基准测试，例如比较不同提示策略或网络架构在复杂病变上的表现。此外，清晰的病变-器官关联为研究病变的解剖学分布模式、开发基于器官先验知识的表示学习模型，乃至构建临床决策支持系统提供了坚实基础。数据集已公开，研究者可访问指定链接获取数据与代码，以复现结果或开展进一步探索。

背景与挑战

背景概述

腹部计算机断层扫描（CT）作为临床诊断的基石，能够精确识别和监测多个器官的病灶，以支持治疗规划和长期护理。然而，大规模、多器官、具备可靠三维病灶标注的数据集稀缺，制约了异常检测与定位技术的进步。为应对这一挑战，由沙里夫理工大学的研究团队于2026年创建的3DLAND数据集应运而生。该数据集包含超过6,000个增强CT体数据，提供了超过20,000个高保真三维病灶标注，并关联了肝脏、肾脏、胰腺、脾脏、胃和胆囊等七个腹部器官。其核心研究问题在于解决现有医学影像数据集普遍缺乏三维标注、多器官覆盖及精确病灶-器官关联的局限，从而推动面向医疗人工智能的稳健表示学习与临床应用。3DLAND通过其规模与标注质量，为器官感知的三维分割模型评估设立了新基准，显著提升了腹部异常定位研究的可扩展性与临床转化潜力。

当前挑战

3DLAND数据集旨在解决的领域挑战是腹部CT影像中多器官三维病灶的精确分割与定位。具体而言，病灶在跨器官间呈现显著的外观与上下文变异性，使得单一器官或粗粒度标注难以捕捉分布偏移；同时，二维边界框与体素级三维掩码之间的不匹配导致边界定义模糊，限制了表示学习与体积评估的忠实性。在数据集构建过程中，研究团队面临多重挑战：首先，临床上的模糊性，如炎症界面或成像伪影，要求构建流程化、可审计且经过专家验证的标注流水线以确保可靠性；其次，将来自DeepLesion数据集的二维边界框注释高效、准确地转化为器官关联的三维掩码，需要集成空间推理、提示优化的二维分割与记忆引导的三维传播技术，并在此过程中通过消融研究优化关键阈值（如IoU>10%，距离<20像素），以平衡敏感性与特异性，最终通过放射学专家裁决保障临床相关性。

常用场景

经典使用场景

在腹部医学影像分析领域，3DLAND数据集为三维病灶分割与定位任务提供了标准化的评估基准。该数据集凭借其涵盖肝脏、肾脏、胰腺、脾脏、胃及胆囊等七个腹部器官的超过20,000个高保真三维病灶标注，成为开发与验证器官感知的异常检测模型的核心资源。研究人员广泛利用其丰富的对比增强CT体积数据，训练深度神经网络以实现跨器官的病灶精准分割，推动三维医学图像分析向更精细的解剖结构理解迈进。

解决学术问题

3DLAND有效应对了腹部CT影像分析中三维标注稀缺、多器官覆盖不足以及病灶与器官关联缺失等长期存在的学术挑战。通过提供大规模、器官感知的三维病灶掩码，该数据集使得模型能够学习更具泛化能力的表征，从而在异常检测、病灶定位及跨器官迁移学习等任务上取得突破。其标注质量经过放射学专家验证，表面戴斯分数超过0.75，为医学人工智能的鲁棒性评估与可重复研究奠定了坚实基础，显著提升了三维分割模型在复杂临床场景下的可靠性。

实际应用

在临床实践中，3DLAND数据集支持智能辅助诊断系统的开发，能够帮助放射科医生快速定位与量化腹部CT中的病灶，如囊肿与肿瘤等。基于该数据集训练的模型可集成到医院工作流中，实现病灶的自动筛查与分割，从而减轻医生负担，提升诊断效率与一致性。此外，其器官感知的标注特性有助于疾病进展的纵向追踪与治疗规划，为个性化医疗提供数据驱动的决策支持，推动人工智能在腹部影像学中的实际落地。

数据集最近研究

最新研究方向

在腹部医学影像分析领域，三维病灶的精准定位与分割是推动智能诊断发展的核心挑战。3DLAND数据集的推出，以其涵盖七种腹部器官、超过六千个增强CT体积及两万余个高保真三维病灶标注的规模，为相关研究设立了新基准。当前前沿研究聚焦于器官感知的三维异常检测与定位，通过集成空间推理、提示优化分割及记忆引导三维传播的流水线，显著提升了模型在跨器官病理分析中的泛化能力。该数据集促进了基于深度学习的表示学习与迁移学习，特别是在处理囊肿、肿瘤等多样病灶类型时，为临床决策支持系统提供了可扩展的评估基础。其公开可用性进一步加速了医疗人工智能在自动化分诊及纵向护理中的创新应用，标志着腹部影像分析向更精细、可解释的三维理解迈进。

相关研究论文

• 3DLAND: 3D Lesion Abdominal Anomaly Localization Dataset

  谢里夫理工大学 · 2026年