简介：面向医学影像处理、肺结节检测与分割的学习者和研究者，这是一份围绕LIDC-IDRI肺部CT影像整理的数据说明与标签资料，尤其适合在Python环境下做数据集预研、标注理解与实验复现。压缩包共1323个文件、约6.44MB，主体为1319个XML格式的结节注释，另配CSV、XLS、XLSX和TXT表格与说明文件，集中呈现受试者信息、扫描元数据、结节计数及医师标注口径。已有283人学习，可作为进入LIDC-IDRI数据集的轻量入口。XML注释覆盖结节位置、数量及三维几何等字段，配合汇总表格可对照病例、序列与标注之间的关系，帮助读者在读取DICOM、解析XML、构建检测或分割训练集前，先厘清标签结构和数据组织方式，减少后续处理中的理解成本，也为课程项目、标注核对和算法实验提供可追溯的数据依据。
1. LIDC 到底是什么：一堆胸部 CT 和四个医生各自画的圈
第一次打开 LIDC 的下载目录，多数人的第一反应是“是不是下错了”：没有现成的 csv 标签表，没有 images 和 labels 两个整齐的文件夹，只有一千多个用编号命名的目录，里面塞满 .dcm 后缀的切片文件，每个病人旁边还躺着一个同名的 XML。这份资料标题里说的“数据说明和标签”，指的其实就是这两样东西——一堆胸部 CT 影像，加上四位胸部放射科医生手工画出来的结节轮廓和打分。
把它搞懂的价值在于：后面所有训练、验证、模型对比，全都建立在这份标注的口径上。口径理解偏了，网络结构调得再花哨也没用。很多人用 python 写的第一版读取脚本，跑通了、不报错、也能出图，但标签其实是错的——这是这份数据最常见的打开方式，也是最贵的坑。
2. 为什么会有这份数据集：标注比片子贵得多
2.1 医学影像的尴尬：图有的是，答案没有
医院里每天产出海量的 CT，但“这一块是不是结节、边界在哪、像不像恶性”这些答案，写在医生的报告文字里，不写在像素里。模型要学的是答案，不是图。而把答案变成模型能读的东西，成本高得吓人：一位有经验的胸部放射科医生，勾一个结节的轮廓，要一层一层地看过去，在每一层上描一圈边界，一个薄层扫描动辄一两百层，勾完一个病例常常要几十分钟。
这就造成一个很别扭的局面——影像数据不缺，带精细标注的影像数据极度稀缺。稀缺到什么程度？很多做肺结节分割的研究，翻来覆去能用的公开数据就那么几份，LIDC 是其中最常被引用的一个。它之所以能成为事实上的基准，不是因为图像有多漂亮，而是因为它把“医生的判断”这件又贵又主观的事情，批量地、结构化地保存了下来。
更关键的是，它保存的不是一个人的判断，是四个人的。这一点决定了后面所有的使用方式，也决定了它和其他“一个病例一个标签”的数据集在性质上完全不同。
2.2 四个人分别看、再一起看，这种“两轮阅片”图什么
LIDC 的标注流程分两轮。第一轮叫盲读：四位医生各自独立看片，互相看不到对方标了什么，谁也不知道别人认为这里有结节、那里没有。第二轮叫非盲读：医生能看到上一轮其他人标的位置，可以补充自己漏掉的，也可以修改自己的判断。
为什么要绕这么一圈？因为如果一开始就让医生们坐在一起商量出一个统一答案，最后只会留下一个“共识”，而把分歧抹掉了。可分歧本身是信息——同一个结节，一个人觉得是良性、一个人觉得可疑，这种不一致恰恰反映了真实世界里的判断难度。两轮设计的结果是，XML 里同时存在blindedReadNodule和unblindedReadNodule两类节点，同一个结节可能既出现一次盲读轮廓，又出现一次非盲轮廓，两次的轮廓点数还不一样。
有个细节很容易被忽略：那个 1 到 5 的恶性程度评分，只在非盲阶段才给。盲读的时候医生只负责“指出这里有没有东西、边界在哪”，不负责下判断。所以如果你只看blindedReadNodule节点，会发现里面根本没有特征打分——不是数据缺了，是设计如此。
提示：做恶性程度相关的任务时，先确认自己读的是非盲节点。用盲读节点去找打分，会得到一片空值，然后误以为数据质量有问题。
2.3 目录里到底躺着什么：影像、XML 和一份说明
一份典型的 LIDC 病例，结构大致是这样：一个以编号命名的病人目录，里面是影像序列文件夹，再往里是逐层的 .dcm 文件；同级的另一个位置放着一个 XML，记录这位病人的全部阅片结果。看着简单，实际拆的时候有三个坎。
第一个坎，目录层级不统一。有的病人只扫过一次，一层就到底；有的病人有多次检查，中间会多出一层日期命名的目录。写脚本时如果假设“病人目录下第一层就是切片”，遇到多次检查的病例就会把两套序列混在一起。
第二个坎，一个病例里可能不止一个序列。除了真正的薄层扫描，还常常夹着定位像——就是那种只有一两张、层厚很厚、用来给技师定位的图。它同样是 .dcm，同样能被读出来，但它不是用来诊断的。正确的做法是先把所有切片按序列标识分组，再挑出层数最多的那个薄层序列。
第三个坎，层厚不一致。不同病例的重建参数不一样，薄的接近亚毫米，厚的到两三毫米。这个差别直接影响后面所有以“毫米”为单位的量：结节的体积、Z 方向的间距、重采样的目标尺度。拿到数据先统计一遍层厚分布，比拿到就开训要省事得多。
| 目录/文件 | 里面是什么 | 容易踩的地方 |
|---|---|---|
| 病人目录（编号命名） | 一个病例的全部内容 | 编号不是连续自增，别用 for 循环猜 |
| 序列子目录 | 一次扫描的逐层 .dcm | 可能混入定位像，需按序列分组筛选 |
| 单张 .dcm | 一层 CT 加元数据 | 层厚、像素间距、灰度变换参数都在头信息里 |
| 同名 XML | 四位医生的阅片标注 | 编码、层级、缺失节点都要单独处理 |
3. 拆开一条标注看：结节、轮廓、特征评分是怎么组织的
3.1 从 LidcReadMessage 往下钻：会话、结节、ROI、点
XML 是层层嵌套的，理解它的形状比记住标签名更重要。最外层是一个读片消息节点，往下是若干“读片会话”，每个会话对应一位医生的一次阅片；会话下面挂着结节；结节下面挂着 ROI；ROI 下面挂着点。四层结构，一层比一层细。
一段真实结构大概是这个样子：
<LidcReadMessage> <readingSession> <unblindedReadNodule> <noduleID>Nodule 001</noduleID> <characteristics> <subtlety>4</subtlety> <malignancy>3</malignancy> </characteristics> <roi> <imageZposition>-117.5</imageZposition> <imageSOP_UID>1.3.6.1.4.1.9590...</imageSOP_UID> <inclusion>true</inclusion> <edgeMap><xCoord>132</xCoord><yCoord>241</yCoord></edgeMap> <edgeMap><xCoord>135</xCoord><yCoord>243</yCoord></edgeMap> </roi> </unblindedReadNodule> </readingSession> </LidcReadMessage>这段片段里藏着几个必须记住的事实。readingSession是一位医生的，不是整个病例的，所以同一个病例下会有四个会话；noduleID只是这位医生自己编的号，不同医生的“Nodule 001”几乎肯定不是同一个结节，绝对不能拿编号跨会话对齐；characteristics只在非盲节点里出现；roi代表一层，一个结节有多少层就有多少个roi；edgeMap是一个点，一圈轮廓由几十个点按顺序连成。
所以“一个结节”这个概念在这份数据里是分层的：物理上是同一团东西，数据上却可能是四条互不相干的记录，需要你自己去合并。合并的依据不是编号，是空间位置——把不同医生的轮廓换算到同一个坐标系里，看它们是否重叠、中心点距离是否在阈值内。这一步做得好不好，直接决定你后面拿到的是“三百个结节”还是“一千个结节”。
3.2 轮廓点不是像素掩码：坐标、层号与 inclusion 标记
很多人第一次看到xCoord、yCoord会以为这是已经填好的区域，其实它只是一个多边形的顶点。一个结节在一层上的轮廓，可能是二十个点、五十个点，也可能是八十个点，取决于医生描得细不细。要把顶点变成掩码，得自己按顺序连起来再填充，画线和填充的结果差得非常远。
坐标本身的含义也要注意：xCoord是列索引，yCoord是行索引，从 0 开始计数。这和矩阵习惯的 (行, 列) 是反的，和图像库习惯的 (x, y) 是一致的。写代码时array[y, x]还是array[x, y]，凭直觉写十次错八次。
imageZposition是这一层的空间位置，imageSOP_UID是这一层的唯一标识。两个都能用来定位切片，但对齐时优先用后者。原因是 Z 位置可能出现重复值、小数精度不一致，甚至有些病例的层间距并不均匀，用位置做键会撞车。用切片标识去匹配文件，是一对一的，稳得多。
inclusion这个标记容易被完全忽略。当它为 false 时，意思是医生在非盲阶段认为这一层其实不属于这个结节，主动把它排除掉了。如果你不判断这个字段，把标注过又被撤销的层也算进去，掩码就会在结节上下多出一两片模糊的“尾巴”，训出来的模型边界会偏松。
提示：小于 3 毫米的结节通常只有一个位置记录，没有轮廓，也没有特征打分。它们不是漏标，是被规则排除在精细标注之外的。
3.3 九个特征和那个 1 到 5 的恶性程度分
非盲节点里挂着一组特征，覆盖边缘是否光滑、是否有分叶、是否有毛刺、内部结构、钙化程度、球形度、纹理、显著度，以及恶性程度。除了内部结构、钙化、纹理这几个是类别型取值，其余大多是 1 到 5 的等级。
恶性程度是其中最常被拿来当标签用的一个：1 表示极不可能是恶性，5 表示极可能是恶性，中间三档留给了“不好说”。问题在于，四个医生给同一个结节的打分经常不一样，差一两分是常态，差两三分也不算罕见。这不是数据脏，这是医学判断本身的性质。
于是“标签怎么定”就变成了一个必须自己拍板的设计题。常见做法有三种：取四位医生的中位数，得到一个相对稳健的序数标签；取均值，把它当成连续值做回归；或者划一条线，比如大于等于 4 算阳性，做二分类。三种做法没有对错，但必须写清楚，因为同一个数据集、同一个模型，换个聚合方式，指标能差好几个点。
还有一种用法容易被低估：把四位医生的分歧度本身当作标签。分歧大，往往意味着这个病例确实难；训练时降低这类样本的权重，或者把它们单独拎出来做误差分析，都比强行凑一个“标准答案”更诚实。
4. 最容易搞混的四组概念：别把轮廓当掩码，别把打分当概率
4.1 轮廓和掩码：一个是多边形，一个是布尔矩阵
易混点在于名字。“标注”这个词既被用来指医生画的圈，也被用来指训练用的掩码图，于是很多人默认拿到 XML 就等于拿到掩码。
之所以会混，是因为在大多数图像分割数据集里，标签直接就是一张和原图同尺寸的图，读进来就能用。LIDC 不是这样，它存的是矢量轮廓，压缩率高、精度高，但必须经过栅格化才能变成掩码。
区分方法很直接：看数据里有没有“面积”。轮廓只有顶点序列，没有面积；掩码是一个和切片同尺寸的矩阵，每个像素非 0 即 1。如果你手里的东西能直接喂给分割损失函数，那是掩码；如果需要按顺序连线再填充，那是轮廓。栅格化时还有个细节，多种子填充和逐层独立填充的结果可能不一致，同一个结节在不同层上的轮廓点顺序也未必是同一个绕行方向，遇到自交多边形时要先做一遍修复。
4.2 恶性程度评分和恶性概率：一个是主观打分，一个是模型输出
易混点在于数字范围。医生给的是 1 到 5 的整数，模型输出的也常常是 0 到 1 之间的一个小数，两者都叫“恶性”，很容易被当成同一件事的不同精度。
之所以会混，是因为任务形式看起来一样：都是判断这个结节有多危险。但性质完全不同。评分是人给出的主观序数，它只有序关系，没有等距关系——1 到 2 的差距和 4 到 5 的差距在语义上并不相等。概率是模型在某个假设下算出来的数，它有明确的可比性，但不代表真实世界的发生率。
区分方法：看这个数是谁给的、能不能做算术。评分可以比较大小、取中位数，但直接求平均再当成概率用是不合适的；概率可以算期望、算校准曲线，但它永远只是模型的观点，不是医生的观点。做分类任务时如果用评分卡阈值生成标签，记得在论文或报告里写清楚阈值取在哪，否则别人复现不出你的数字。
4.3 像素坐标和毫米坐标：差了像素间距这一步
易混点在于单位。轮廓点是一串整数，看着像坐标，其实那是像素索引；而层厚、结节直径、体积这些量，讨论时用的都是毫米。
之所以会混，是因为两者在代码里长得一模一样，都是数字，都不带单位。等你算体积的时候才发现，直接把像素个数当体积累加，得到的数既不是立方毫米也不是立方厘米，什么都不是。
区分方法：记住一条换算链。像素索引乘以像素间距得到平面内的毫米坐标，层号乘以层厚得到 Z 方向的毫米坐标，三者相乘才是物理体积。像素间距和层厚都写在每张切片的头信息里，不同病例不一样，绝对不能写死成常数。还有一个坑：有些扫描的层间距和层厚并不相等，重建时做过插值，这时候用层厚算 Z 间距会偏。真要算准，老老实实从每层的空间位置做差再取中位数。
4.4 “至少三位医生标注”和“所有结节”：共识结节是筛选出来的
易混点在于“结节数量”这个数。同一份数据，有人说是三百多，有人说是上千，数字对不上，往往就是口径不同。
之所以会混，是因为数据里同时存在两种东西：所有被任何一位医生标记过的位置，和被至少三位医生共同认可的结节。前者数量多，包含大量只有一个人觉得可疑的小东西；后者数量少，但可信度高。论文里说“我们用了某某数据集的一千个结节”，你得追一句：是全部标记，还是共识标记。
区分方法：看这个结节被几条记录覆盖。同一位置被四位医生都圈了，是强共识；被三位圈了，是常用口径；只有一位圈了，通常当噪声或困难样本处理。做检测任务时用全部标记，召回率会好看但假阳性高；做分割任务时用共识结节，边界质量更稳但样本量骤减。两种口径都能发文章，前提是写明白。
5. 用 Python 把 XML 标注变成能训练的表
5.1 先把病人级别的清单拉出来
动手解析之前，先建立一张病人级别的总表。这张表不需要读像素，只读目录和 XML，几十秒就能跑完，但能帮你提前发现一堆问题：哪些病例的 XML 是空的、哪些只有一位医生标注、哪些结节数量异常多。
import os import xml.etree.ElementTree as ET def scan_cases(root_dir): rows = [] for name in sorted(os.listdir(root_dir)): case_dir = os.path.join(root_dir, name) if not os.path.isdir(case_dir): continue # XML 不一定在病人目录的第一层，用递归找更稳 xml_files = [] for cur, _, files in os.walk(case_dir): xml_files += [os.path.join(cur, f) for f in files if f.lower().endswith('.xml')] if not xml_files: rows.append({'case': name, 'xml': None, 'sessions': 0}) continue tree = ET.parse(xml_files[0]) sessions = len(tree.getroot().findall('readingSession')) rows.append({'case': name, 'xml': xml_files[0], 'sessions': sessions}) return rows这段代码只做三件事：遍历病人目录、递归找 XML、数一数有几个读片会话。sessions这个字段很关键，它等于标注这位病人的医生数量，正常是 4，少数病例是 1 到 3。先把分布打印出来，你就知道有多少病例达不到“至少三位医生”的共识口径，后面筛样本时心里有数。xml_files[0]这里取了第一个，如果一个病人有多个 XML，需要按业务规则合并，别默认只有一个。
5.2 解析 XML：结节、切片、轮廓点一次拿全
接下来把嵌套结构摊平成一张表。思路是从会话往下钻，把每个结节的特征和它覆盖的层都收进来。
def parse_nodules(xml_path): root = ET.parse(xml_path).getroot() out = [] for s_idx, session in enumerate(root.findall('readingSession')): for tag in ('unblindedReadNodule', 'blindedReadNodule'): for nod in session.findall(tag): char = nod.find('characteristics') # 恶性程度只在非盲节点里有，读不到就是 None mal = char.findtext('malignancy') if char is not None else None slices = [] for roi in nod.findall('roi'): # inclusion=false 表示医生撤销了这一层，必须跳过 if roi.findtext('inclusion') != 'true': continue pts = [(int(p.findtext('xCoord')), int(p.findtext('yCoord'))) for p in roi.findall('edgeMap')] if not pts: continue slices.append({ 'z': roi.findtext('imageZposition'), 'sop': roi.findtext('imageSOP_UID'), 'points': pts, }) out.append({ 'session': s_idx, # 第几位医生 'phase': tag, # 盲读还是非盲读 'nodule_id': nod.findtext('noduleID'), 'malignancy': int(mal) if mal else None, 'slices': slices, }) return out几个参数值得单独说。session用一个递增的序号代替医生身份，因为原始数据里医生是匿名的，序号只保证同一病例内不重复，跨病例不可比，别拿它当“某位专家的水平”去分析。phase保留下来，方便你只取非盲节点做有监督任务。nodule_id只是原样记录，绝不能用来做跨会话的关联。slices里同时存了z和sop，前者方便排序，后者用于精确匹配切片文件。
跑完这一步，你会得到一张长表：每一行是“某位医生在某轮阅片里对某个结节的一次记录”。这时候再按空间位置做聚类，才能把四条记录合并成一个物理结节。
5.3 轮廓转掩码时最容易翻车的三件事
第一件是坐标系方向。xCoord是列、yCoord是行，画到矩阵上必须先转成(行, 列)。第二件是填充方式。要按顺序把顶点连成闭合多边形再填充，只画轮廓线的话，掩码面积会接近 0，损失函数直接失去意义。第三件是层对齐。用切片标识去匹配文件，比用 Z 位置稳。
import numpy as np def contour_to_mask(points, shape): """points: [(x, y), ...]；shape: (rows, cols)""" mask = np.zeros(shape, dtype=np.uint8) rows, cols = shape # 先做一次裁剪，防止个别点越界导致整层失败 pts = np.array([(min(max(y, 0), rows - 1), min(max(x, 0), cols - 1)) for x, y in points], dtype=np.int32) # 这里调用任意一个多边形填充函数，用 pts 生成闭合区域写进 mask return maskshape从对应切片的像素矩阵拿，不要用固定值。裁剪那一步看着多余，但边界上的结节轮廓确实会有点落在图像外，不裁就会在填充时抛异常，一个病例直接中断。填充完成后建议顺手检查一下面积占比，占比超过整幅图一半的，多半是坐标搞反了。
5.4 划分数据集要按病人切，不能按切片切
这是最隐蔽也最致命的一个坑。同一个病人有上百层切片，相邻层之间几乎一模一样。如果按切片随机划分训练集和验证集，同一个结节的上一层在训练集、下一层在验证集，模型只要“记住”这团东西的形状就能拿高分，指标漂亮得不像话，换一批新病人立刻原形毕露。
正确做法是以病人为单位整体划分，训练集里的病人和验证集里的病人完全不重叠。分层抽样时按“是否有共识结节”“恶性程度分布”“层厚”这几个维度分层，能避免切出来的验证集全是简单样本。做完之后一定回头验一遍：两个集合的病人编号有没有交集，这一步花十秒，能省掉后面无数次自我怀疑。
6. 什么时候该用 LIDC，什么时候别硬上
它最适合的场合，是“练手”和“做基线”。想验证一个分割网络能不能收敛、想比较两种检测头的召回差异、想跑通一条从原始标注到掩码再到训练的完整链路，这份数据的成本很低：格式统一、社区讨论多、出问题容易查到原因。教学场景里它也好用，四个医生的分歧天然就是一个讨论“标注噪声”的活教材，学生能看到真实标注不是干净的，而不是被喂一份理想化的数据。
它还适合做小样本、弱监督、标注不确定性这类偏方法的研究。因为同一批数据上有多个独立判断，你可以很方便地构造“用少量共识标注 + 大量分歧样本”的实验，这在只有一个标签的数据集上做不了。
不适合的场合也很明确。它不适合做临床级别的诊断验证，影像来源、设备参数、人群构成都相对集中，模型在这上面表现好，不代表换个场景还行。它也不适合研究非结节性病变，标注只围绕结节展开，肺气肿、纤维化、胸腔积液这些在这份数据里没有对应标签。如果你的问题是“整幅扫描有没有异常”，它给不了答案。还有一类需求要提前想清楚：想要现成的、开箱即用的二分类标签表，那这份数据会让你失望，它给的是原始判断，聚合规则要你自己定。
| 场景 | 合适度 | 原因 |
|---|---|---|
| 肺结节检测/分割的基线对比 | 高 | 标注精细、口径公开、可比性强 |
| 标注噪声与多标注者一致性研究 | 高 | 同一结节有多位医生的独立判断 |
| 教学与流程演示 | 高 | 格式统一、资料齐全 |
| 跨中心泛化能力验证 | 低 | 影像来源相对集中 |
| 非结节性肺病分析 | 低 | 标注体系不覆盖 |
| 直接当临床诊断依据 | 不可 | 标注是研究用途的主观判断 |
我第一次用这份数据时，图省事按切片随机划分，验证集交并比冲到 0.9 以上，兴奋了整整两天。后来换成按病人划分，数字掉到 0.6 出头，那两天白高兴了。从那以后我每次拿到多标注、多层的数据集，都强制先走一遍“病人级清单 → 会话统计 → 划分校验”这三步，不管多急。希望帮到你。
本文还有配套的精品资源，点击获取
