imaging-data-commons

Imaging Data Commons：免费癌症影像数据查询与下载

技能概述

Imaging Data Commons（IDC）是美国国家癌症研究所（NCI）维护的公开癌症影像数据库，通过 idc-index Python 包可免费查询和下载 CT、MRI、PET 等放射学数据以及病理学切片数据，无需任何认证。

适用场景

1. 医学 AI 模型训练

为深度学习项目获取大规模标注或未标注的医学影像数据集。支持按癌症类型、影像模态（CT/MR/PET）、检查部位等条件筛选，可下载用于分类、分割、检测等任务的训练数据。

2. 医学影像研究

研究人员可获取标准化的 DICOM 格式影像数据，用于图像处理算法开发、影像组学研究、多中心分析等。数据包含完整的元数据和临床信息（部分集合），支持与临床数据关联分析。

3. 数据快速预览与筛选

在批量下载前，可使用浏览器可视化工具预览影像序列，避免下载不符合要求的数据。支持通过 SQL 查询灵活筛选，估算下载大小，检查数据许可证类型。

核心功能

1. SQL 元数据查询

使用标准 SQL 语法查询 IDC 索引表，支持按集合（collection_id）、患者、研究、序列等维度过滤。可获取影像模态、检查部位、设备厂商、研究日期等元数据字段，支持 JOIN 多表查询以获取癌症类型、分析结果等扩展信息。

2. 批量 DICOM 下载

指定 collection_id、PatientID、StudyInstanceUID 或 SeriesInstanceUID 批量下载 DICOM 文件。支持自定义目录结构模板，可分批下载大规模数据集，自动从 AWS S3 或 Google Cloud Storage 公开存储桶获取文件。

3. 浏览器可视化与许可证检查

生成 OHIF 或 SLIM 查看器链接，直接在浏览器中预览影像无需下载。查询每条数据的许可证类型（CC BY 4.0 允许商用，CC BY-NC 限制商用），自动生成符合学术规范的引用格式。

常见问题

Imaging Data Commons 数据完全免费吗？可以用于商业项目吗？

IDC 数据访问完全免费，无需注册。但使用时必须遵守各数据集的许可证条款。约 97% 的数据采用 CC BY 许可证，允许商业使用（需署名）；约 3% 采用 CC BY-NC 许可证，禁止商业用途。使用前务必用 license_short_name 字段确认许可证类型。

如何找到特定癌症类型（如肺癌）的影像数据？

癌症类型信息存储在 collections_index 表中，需要先执行 client.fetch_index("collections_index")，然后 JOIN 查询：SELECT i.* FROM index i JOIN collections_index c ON i.collection_id = c.collection_id WHERE c.CancerTypes LIKE '%Lung%' AND i.Modality = 'CT'。

下载的 DICOM 文件如何用 Python 处理？

可使用 pydicom 库读取：import pydicom; ds = pydicom.dcmread('file.dcm'); image = ds.pixel_array。对于 CT/MRI 等序列，可按 ImagePositionPatient 排序后堆叠为 3D 数组，或使用 SimpleITK 的 ImageSeriesReader 直接读取完整序列。

IDC 和 TCIA 有什么区别？

TCIA（The Cancer Imaging Archive）是 IDC 的前身，IDC 是 NCI 在 TCIA 基础上升级的新平台，提供更现代的 API（idc-index、BigQuery、DICOMweb）、云存储直接访问和更好的元数据索引。TCIA 数据已迁移至 IDC，建议新项目使用 IDC。