Liver Tumor Segmentation Challenge Dataset
Un ensemble de données de défi pour le développement d'algorithmes de segmentation automatique des tumeurs hépatiques dans les tomodensitogrammes, utilisé conjointement avec les conférences ISBI 2017 et MICCAI 2017.
Score
30
Évaluation Utilisateur
3.0
Support Gratuit/Essai
Non Pris en Charge
Prix de Démarrage
--
Dernière Mise à Jour
août 04, 2026
Aperçu
Qu'est-ce que Liver Tumor Segmentation Challenge Dataset ?
Le Liver Tumor Segmentation Challenge (LiTS) est un ensemble de données et un concours visant à encourager les chercheurs à développer des algorithmes de segmentation automatique des lésions hépatiques dans les tomodensitogrammes abdominaux avec contraste amélioré. Il comprend des données de formation et de tests provenant de divers sites cliniques à travers le monde.
À quoi sert Liver Tumor Segmentation Challenge Dataset ?
Fonctionnalités Principales
- 130 tomodensitogrammes pour la formation
- 70 tomodensitogrammes pour les tests
- Évaluation de la segmentation hépatique et de l'estimation de la charge tumorale
- Classement ouvert pour les soumissions
- Ateliers à l'ISBI 2017 et au MICCAI 2017
Comment utiliser Liver Tumor Segmentation Challenge Dataset ?
Inscrivez-vous pour accéder à l'ensemble de données, téléchargez les données après approbation, participez au défi en soumettant les résultats de segmentation et contribuez potentiellement à un article de revue commun si vous faites partie des plus performants.
Outils Alternatifs
Aucun outil alternatif trouvé
Avantages & Inconvénients
Avantages
- Des données d’imagerie médicale de haute qualité
- Encourage la recherche sur l’IA dans le domaine de la santé
- Possibilité de publication dans des revues à fort impact
- Accès et participation gratuits
Inconvénients
- Limité aux données de tomodensitométrie
- Nécessite une approbation pour le téléchargement des données
- Aucune mise à jour en cours après les périodes de défi
Cas d'Utilisation
- Développer des modèles d’IA pour la segmentation des tumeurs hépatiques
- Recherche académique en imagerie médicale
- Analyse comparative des algorithmes de segmentation
Avis Utilisateurs
3.0
sur 5
3.0
Aucun avis pour le moment
Soyez le premier à évaluer cet outil !