Imaging Data Commons

Was macht Imaging Data Commons?

Übersicht

Öffentliche Krebsbildgebungsdaten des National Cancer Institute Imaging Data Commons (IDC) abfragen und herunterladen. Für den Datenzugriff ist keine Authentifizierung erforderlich.

Erwarteter Netzwerkzugriff: IDC-Metadaten sind auf drei Wegen erreichbar – ein lokaler DuckDB-Index, der mit dem Python-Paket idc-index ausgeliefert wird (kein Netzwerk), oder der gehostete IDC-Dienst über MCP oder REST (api.imaging.datacommons.cancer.gov, keine Authentifizierung). Dateidownloads verwenden öffentliche GCS (storage.googleapis.com) und AWS S3 (s3.amazonaws.com) – keine Authentifizierung erforderlich. DICOMweb-Zugriff erfolgt entweder über den öffentlichen IDC-Proxy (proxy.imaging.datacommons.cancer.gov, keine Authentifizierung) oder die Google Cloud Healthcare API (healthcare.googleapis.com, erfordert GCP-Authentifizierung). Optionale BigQuery-Abfragen (bigquery.googleapis.com) erfordern ebenfalls GCP-Authentifizierung. Von dieser Skill werden keine Anmeldeinformationen oder Umgebungsvariablen verwendet.

Aktuelle IDC-Datenversion: v24 (immer überprüfen – siehe Bewährte Methoden)

Wählen Sie zuerst den Zugriffspfad. Es gibt keinen einzelnen Standardpfad: Der günstigste korrekte Pfad hängt von der Sitzung und der Aufgabe ab.

1. Die Sitzung hat bereits den IDC-MCP-Server? Leiten Sie Erkundung und Metadaten dorthin – siehe IDC-MCP-Server.
2. Andernfalls, ist idc-index installiert? Führen Sie python scripts/check_version.py aus. Wenn es erfolgreich ist, verwenden Sie idc-index für alles.
3. Nicht installiert und die Aufgabe ist reine Metadaten-Leseabfrage – Zählungen, Attributwerte, Sammlungsabfragen, SQL unter 10.000 Zeilen, Lizenzen, Zitate, Viewer-URLs? Verwenden Sie die REST-API über curl; installieren Sie nichts. Die Installation kostet etwa 77 MB an gepackten Indexdaten plus pandas, pyarrow und duckdb, die eine Metadatenfrage nicht benötigt. Siehe Datenzugriffsoptionen.
4. Nicht installiert und die Aufgabe benötigt mehr als Metadaten – Herunterladen von Dateien, pandas oder Plotting, pydicom/SimpleITK, Pathologie-Tiling, Ergebnisse über 10.000 Zeilen oder ein versionsgebundenes Skript, das der Benutzer erneut ausführt? Installieren Sie idc-index: check_version.py beendet sich mit Fehlercode und gibt den genauen Installationsbefehl für den aktuellen Interpreter aus. Bevorzugen Sie eine virtuelle Umgebung und starten Sie dann Python neu.

idc-index (GitHub) bleibt der leistungsfähigste Pfad und der einzige, der Bildbytes überträgt; die Regel ist nur, nicht dafür zu bezahlen, bevor die Aufgabe es erfordert. check_version.py installiert selbst nichts – es weist auch auf eine neuere idc-index- oder Skill-Version hin, wenn eine vorhanden ist.

Einrichtung für den idc-index-Pfad:

from idc_index import IDCClient
client = IDCClient()

# IDC-Datenversion überprüfen (sollte "v24" sein)
print(f"IDC-Datenversion: {client.get_idc_version()}")

Kernworkflow: Metadaten mit client.sql_query() abfragen → mit client.download_from_selection() herunterladen → mit client.get_viewer_URL() visualisieren. Python-Beispiele unten gehen von diesem client aus; Datenzugriffsoptionen enthält die REST-Entsprechungen. Für den aktuellen Datenumfang führen Sie die Zusammenfassungsabfrage in references/sql_patterns.md oder GET /v3/stats aus.

IDC-MCP-Server

IDC betreibt einen gehosteten MCP-Server unter https://api.imaging.datacommons.cancer.gov/mcp (streamable HTTP, keine Authentifizierung). Wo er verfügbar ist, ergänzt er – nicht ersetzt – den idc-index-Workflow unten.

Identifizieren Sie ihn an der MCP-Ressource idc://guide oder an drei oder mehr der Toolnamen build_cohort, get_cohort_urls, list_analysis_results und get_idc_version. Generische Namen wie run_sql sind kein alleiniger Nachweis. Bei mehrdeutiger Identifizierung verwenden Sie idc-index.

Wenn diese Sitzung den Server hat, behandeln Sie ihn als autoritativ für Erkundung und Metadaten – IDC-Version, Zählungen, Attributwerte, Kohortenaufbau, Metadaten-SQL – und folgen Sie den eigenen Anweisungen des Servers, anstatt sie aus dieser Datei abzuleiten. Seine Datenversion ist die, die der Server meldet: Rufen Sie get_idc_version auf, anstatt sich auf die in dieser Datei festgelegte Version zu verlassen.

Kehren Sie hierher zurück für das, was der Server nicht kann: Herunterladen von Dateien, lokale pandas/Notebook-Analyse, DICOMweb, BigQuery, digitale Pathologie-Tiling und reproduzierbare Skripte. Übergeben Sie, indem Sie SeriesInstanceUIDs vom Server an client.download_from_selection(...) weiterleiten, und führen Sie an diesem Punkt scripts/check_version.py aus.

Wenn er nicht verfügbar ist, ist der identische Dienst ohne Konfiguration als REST-API unter https://api.imaging.datacommons.cancer.gov/v3 erreichbar – verwenden Sie ihn für schreibgeschützte Metadaten anstelle der Installation von idc-index, gemäß der Routing-Regel in Übersicht. Schlagen Sie vor, den MCP-Server höchstens einmal zu verbinden, nur für wiederholte interaktive Erkundung, und ändern Sie niemals selbst die Konfiguration des Benutzers.

Siehe references/mcp_guide.md für das Tool-Inventar, Übergabemuster und Hinweise pro Host.

Wann Diese Skill Verwenden

• Suchen nach öffentlich verfügbaren Radiologiebildern (CT, MR, PET) oder Pathologiebildern (Objektträger-Mikroskopie)
• Auswählen von Bilduntergruppen nach Krebsart, Modalität, anatomischer Region oder anderen Metadaten
• Herunterladen von DICOM-Daten aus IDC
• Überprüfen von Datenlizenzen vor der Verwendung in Forschung oder kommerziellen Anwendungen
• Visualisieren von medizinischen Bildern im Browser ohne lokale DICOM-Viewer-Software

Schnellnavigation

Inline unten: die MCP/REST-Routingregeln, das IDC-Datenmodell, die Indextabellen und wie sie verknüpft werden, die Kern-API-Muster (Abfragen, Herunterladen, Visualisieren, Lizenzieren, Zitieren), bewährte Methoden und Fehlerbehebung.

Referenzleitfäden (bei Bedarf laden):

Leitfaden	Wann Laden
index_tables_guide.md	Komplexe JOINs, Schemaerkennung, DataFrame-Zugriff
use_cases.md	Durchgängige Workflows: Trainingsdatensätze, Batch-Downloads, DICOM-Lesen mit pydicom/SimpleITK, Pipeline-Integration
sql_patterns.md	Schnelle SQL-Muster für Filtererkennung, Annotationen, Größenabschätzung
clinical_data_guide.md	Klinische/tabellarische Daten, Bildgebung+Klinik-Verknüpfungen, Wertzuordnung
licensing_and_citation.md	Fragen zur kommerziellen Nutzung, Kohorten mit gemischten Lizenzen, Zitierformate
cloud_storage_guide.md	Direkter S3/GCS-Zugriff, Versionierung, UUID-Zuordnung
dicomweb_guide.md	DICOMweb-Endpunkte, PACS-Integration
digital_pathology_guide.md	Objektträger-Mikroskopie (SM), Annotationen (ANN), Pathologie-Workflows
bigquery_guide.md	Vollständige DICOM-Metadaten, private Elemente (erfordert GCP)
cli_guide.md	Befehlszeilenwerkzeuge (idc download, Manifestdateien)
parquet_access_guide.md	Direkte Parquet-Abfragen über GCS (keine Installation von idc-index erforderlich)
mcp_guide.md	Gehosteter IDC-MCP-Server: Tool-Inventar, Identifizierung, Übergabe an idc-index
rest_api_guide.md	Gehostete IDC-REST-API: Endpunkte, Filtersyntax, SQL über HTTP, Manifeste

IDC-Datenmodell

IDC fügt zwei Gruppierungsebenen oberhalb der standardmäßigen DICOM-Hierarchie (Patient → Study → Series → Instance) hinzu:

• collection_id: Gruppiert Patienten nach Erkrankung, Modalität oder Forschungsschwerpunkt (z. B. tcga_luad, nlst). Ein Patient gehört zu genau einer Sammlung.
• analysis_result_id: Identifiziert abgeleitete Objekte (Segmentierungen, Annotationen, Radiomics-Merkmale) aus einer oder mehreren ursprünglichen Sammlungen. Verwenden Sie es, um KI-generierte oder Expertenannotationen zu finden, während collection_id ursprüngliche Bildgebungsdaten findet (die selbst hinterlegte Annotationen enthalten können).

Wichtige Identifikatoren für Abfragen:

Identifikator	Geltungsbereich	Verwendung für
collection_id	Datensatzgruppierung	Filtern nach Projekt/Studie
PatientID	Patient	Gruppieren von Bildern nach Patient
StudyInstanceUID	DICOM-Studie	Gruppierung verwandter Serien, Visualisierung
SeriesInstanceUID	DICOM-Serie	Gruppierung verwandter Serien, Visualisierung

Indextabellen

Das idc-index-Paket bietet mehrere Metadaten-Indextabellen, die über SQL oder als pandas DataFrames zugänglich sind. Die REST-API stellt dieselben Tabellen über GET /tables und POST /sql bereit.

Wichtig: client.indices_overview ist die autoritative Quelle für aktuelle Tabellenbeschreibungen, verfügbare Spalten und deren Typen – fragen Sie es ab, wenn Sie SQL schreiben oder die Datenstruktur erkunden. Es beantwortet auch „Welche Tabelle enthält Spalte X“; siehe references/index_tables_guide.md für dieses Suchmuster und die vollständige Schemaerkennung.

Verfügbare Tabellen

Rufen Sie immer client.fetch_index("table_name") auf, bevor Sie eine Indextabelle abfragen – es ist sicher und idempotent für alle Tabellen, einschließlich derer, die beim Start automatisch geladen werden.

Familie	Tabellen	Granularität
Kern	index (primäre Metadaten für alle aktuellen Daten), collections_index, analysis_results_index	Serie / Sammlung / Analyseergebnis
Modalitäts-Akquisitionsparameter	ct_index, mr_index, pt_index, contrast_index	1 Zeile = 1 Serie dieser Modalität
Abgeleitete Objekte	seg_index, rtstruct_index, ann_index, ann_group_index	1 Zeile = 1 Serie (oder Annotationsgruppe)
Mikroskopie	sm_index, sm_instance_index	1 Zeile = 1 SM-Serie / Instanz
Geometrie, Klinik, Verlauf	volume_geometry_index, clinical_index, version_metadata_index, prior_versions_index	siehe Leitfaden

references/index_tables_guide.md enthält das vollständige Inventar mit den Spalten und Inhalten jeder Tabelle – laden Sie es, wenn Sie wissen müssen, was eine spezialisierte Tabelle tatsächlich enthält.

prior_versions_index ist nur für die Reproduzierbarkeit. Es enthält Serien, die dauerhaft aus IDC entfernt wurden, ohne Überschneidung mit index. Verwenden Sie es nur, um Arbeiten gegen eine frühere IDC-Version zu reproduzieren. Verwenden Sie es NICHT für die Versionsgeschichte oder „Was ist neu“-Fragen – dafür verwenden Sie series_init_idc_version / series_revised_idc_version in der Haupttabelle index, die nicht äquivalent zu den min_idc_version / max_idc_version dieser Tabelle sind.

Tabellen verknüpfen

SeriesInstanceUID ist der universelle Join-Schlüssel für alle serienspezifischen Tabellen: sm_index, sm_instance_index, seg_index, ann_index, ann_group_index, contrast_index, volume_geometry_index, rtstruct_index, ct_index, mr_index, pt_index. Verknüpfen Sie diese immer mit index über SeriesInstanceUID. Die Ausnahmen unten verwenden unterschiedliche Spaltennamen.

Join-Spalte	Tabellen	Anwendungsfall
collection_id	index, prior_versions_index, collections_index, clinical_index	Serie mit Sammlungsmetadaten oder klinischen Daten verknüpfen
analysis_result_id	index, analysis_results_index	Serie mit Analyseergebnismetadaten (Annotationen, Segmentierungen) verknüpfen
source_DOI	index, analysis_results_index	Nach Veröffentlichungs-DOI verknüpfen
segmented_SeriesInstanceUID	seg_index → index	Segmentierung mit ihrer Quellbildserie verknüpfen (seg_index.segmented_SeriesInstanceUID = index.SeriesInstanceUID)
referenced_SeriesInstanceUID	ann_index → index, rtstruct_index → index	Annotation oder RTSTRUCT mit ihrer Quellbildserie verknüpfen

Hinweis: subjects, updated und description erscheinen in mehreren Tabellen, haben aber unterschiedliche Bedeutungen (Zählungen vs. Identifikatoren, unterschiedliche Aktualisierungskontexte). Das Verknüpfen von prior_versions_index mit index über SeriesInstanceUID gibt immer null Zeilen zurück – siehe die Warnung oben.

Für detaillierte Join-Beispiele, Schemaerkennungsmuster, Referenz zu Schlüsselspalten und DataFrame-Zugriff siehe references/index_tables_guide.md.

Zugriff auf klinische Daten

Klinische (nicht bildgebende) Attribute – Stadieneinteilung, Demografie, Therapie – leben in tabellen pro Sammlung. client.fetch_index("clinical_index") lädt das Wörterbuch, das Spalten Sammlungen zuordnet; client.get_clinical_table(name) gibt eine Tabelle als DataFrame zurück.

Siehe references/clinical_data_guide.md für den Erkennungsworkflow, die Zuordnung codierter Werte und die Verknüpfung klinischer Daten mit Bildgebung.

Datenzugriffsoptionen

Methode	Authentifizierung	Am besten geeignet für	Referenz
idc-index	Nein	Downloads, pandas-Analyse, unbegrenzte Abfragen – der leistungsfähigste Pfad	Dieses Dokument
IDC-MCP-Server	Nein	Erkundung, Kohortenaufbau, Metadaten, wenn die Sitzung ihn bereits hat	mcp_guide.md
IDC-REST-API	Nein	Metadaten ohne Installation, aus jeder Sprache oder Shell – der Standard, wenn idc-index fehlt	rest_api_guide.md
Direkter Parquet (GCS)	Nein	Versionsgebundene Abfragen oder Ergebnisse über das REST-Zeilenlimit hinaus	parquet_access_guide.md
Cloud-Speicher (S3/GCS)	Nein	Direkter Dateizugriff, Bulk-Transfer, benutzerdefinierte Pipelines	cloud_storage_guide.md
DICOMweb über IDC-Proxy	Nein	Tool- und PACS-Integration; tägliches Kontingent, daher Tests und moderate Nutzung	dicomweb_guide.md
DICOMweb über Google Healthcare	Ja (GCP)	Dieselbe DICOMweb-API in Produktionsvolumen, ohne Proxy-Kontingent	dicomweb_guide.md
SlicerIDCBrowser	Nein	3D-Visualisierung und -Analyse in 3D Slicer	https://github.com/ImagingDataCommons/SlicerIDCBrowser
BigQuery	Ja (GCP)	Vollständige DICOM-Metadaten, private Elemente, SR-Messungen – letzter Ausweg	bigquery_guide.md

Das IDC-Portal (https://portal.imaging.datacommons.cancer.gov/) ist nur interaktiv – browserbasierte Erkundung, manuelle Kohortenauswahl und Download. Im Gegensatz zu allen Optionen oben hat es keine programmatische Schnittstelle. Verweisen Sie einen Benutzer dorthin, um selbst zu browsen oder Daten durchzuklicken; verwenden Sie es niemals als Schritt in einem Skript oder Workflow.

REST-API – der installationsfreie Metadatenpfad

https://api.imaging.datacommons.cancer.gov/v3, keine Authentifizierung: Erkundung, Kohortenzählungen und -manifeste, schreibgeschütztes SQL, klinische Tabellen, Viewer-URLs, Lizenzen, Zitate. Es ist derselbe Dienst wie der MCP-Server über einfaches HTTP, benötigt daher keine Konfiguration. Es überträgt niemals Bildbytes – wechseln Sie zu idc-index zum Herunterladen, um einen DataFrame zu erhalten oder für Ergebnisse über 10.000 Zeilen.

B=https://api.imaging.datacommons.cancer.gov/v3
curl -s $B/version   # idc_version, idc_index_data_version, api_version
curl -s $B/stats     # collections, patients, studies, series, instances, size_TB
curl -s "$B/attributes/Modality/values?limit=5"   # reale Filterwerte mit Zählungen
curl -s $B/sql -H 'content-type: application/json' \
  -d '{"sql":"SELECT collection_id, COUNT(*) n FROM index GROUP BY 1 ORDER BY n DESC LIMIT 3"}'
curl -s $B/cohort/counts -H 'content-type: application/json' \
  -d '{"filters":[{"attribute":"Modality","values":["CT"]}]}'
curl -s $B/cohort/manifest -H 'content-type: application/json' \
  -d '{"filters":[{"attribute":"collection_id","values":["nlst"]}]}'
curl -s $B/collections
curl -s $B/collections/nlst/viewer_url
curl -s $B/collections/nlst/doi
curl -s $B/licenses
curl -s $B/citations

Siehe references/rest_api_guide.md für Filter, Paginierung, Attributwerte-Erkennung und die vollständige Endpunktliste.

Kern-API-Muster

Die Beispiele unten gehen von client = IDCClient() aus. Entsprechende REST-Aufrufe finden Sie in Datenzugriffsoptionen.

1. Datenbestand erkunden

Zusammenfassungsstatistiken (client aus idc-index):

client.get_idc_version()            # z. B. "v24"
client.get_totals()                 # Patienten, Studien, Serien, Instanzen, Größe_in_TB
client.get_collections()            # Liste der Sammlungen mit Metadaten

REST (keine Installation):

curl -s https://api.imaging.datacommons.cancer.gov/v3/stats
curl -s https://api.imaging.datacommons.cancer.gov/v3/collections

2. SQL-Abfragen

# Suche nach CT-Serien mit Schichtdicke ≤ 1 mm
results = client.sql_query("""
  SELECT SeriesInstanceUID, collection_id, Modality, SliceThickness
  FROM index
  WHERE Modality = 'CT'
    AND SliceThickness <= 1
    AND collection_id = 'nlst'
  LIMIT 100
""")
# results ist ein pandas DataFrame

REST-Äquivalent:

curl -s https://api.imaging.datacommons.cancer.gov/v3/sql \
  -H 'content-type: application/json' \
  -d '{"sql":"SELECT SeriesInstanceUID, collection_id, Modality, SliceThickness FROM index WHERE Modality = '\''CT'\'' AND SliceThickness <= 1 AND collection_id = '\''nlst'\'' LIMIT 100"}'

3. Viewer-URLs

viewer_url = client.get_viewer_URL(seriesInstanceUID="1.2.840.113654.2.55.186474971242703629926323370046449934517")
print(f"Im Browser öffnen: {viewer_url}")

4. Cohorts (REST-only)

Cohorts sind ein REST-Feature; es gibt kein idc-index-Äquivalent.

curl -s https://api.imaging.datacommons.cancer.gov/v3/cohort/counts \
  -H 'Content-Type: application/json' \
  -d '{"filters":[{"attribute":"collection_id","values":["nlst"]},{"attribute":"Modality","values":["CT"]}]}'

curl -s https://api.imaging.datacommons.cancer.gov/v3/cohort/manifest \
  -H 'Content-Type: application/json' \
  -d '{"filters":[{"attribute":"collection_id","values":["nlst"]},{"attribute":"Modality","values":["CT"]}]}'

Siehe references/rest_api_guide.md.

5. Dateien herunterladen

# Auswahl von SQL-Ergebnissen: Ein dict mit SeriesInstanceUID als Schlüsseln
selection = {
    series_uid: download_info
    for series_uid, download_info in results.set_index('SeriesInstanceUID').to_dict('index').items()
}

client.download_from_selection(
    selection,
    downloadDir="/pfad/zum/download",
    dry_run=False  # Auf True setzen, um zu prüfen, was heruntergeladen würde
)

Wichtig: download_from_selection erwartet ein Dict von SeriesInstanceUID → Download-Info. Das Umwandeln eines DataFrames mit set_index('SeriesInstanceUID').to_dict('index') erstellt das korrekte Format.

6. Lizenz und Zitat abrufen

# Für Sammlungen
license_info = client.get_collection_license("tcga_luad")
citation_info = client.get_collection_citation("tcga_luad")

# Ein allgemeines Zitat, das mehrere Sammlungen abdeckt
# Siehe references/licensing_and_citation.md für die Verarbeitung gemischter Lizenzen

REST-Äquivalent:

curl -s https://api.imaging.datacommons.cancer.gov/v3/collections/tcga_luad/licenses
curl -s https://api.imaging.datacommons.cancer.gov/v3/collections/tcga_luad/citations

Siehe references/licensing_and_citation.md für die vollständige Referenz.

Abfragemuster

references/sql_patterns.md enthält gebrauchsfertige SQL-Abfragen für:

• Werte suchen: „Welche Werte hat Spalte X in Sammlung Y?“
• Kohortengröße schätzen: Patienten- und Serienanzahl für Filterbedingungen
• Annotationsabfragen: Annotationen nach Modalität, Körperregion oder Sammlung
• Größenabschätzung: Speicherplatz, der für eine bestimmte Serienauswahl benötigt wird
• Zufallsstichprobe: Gleichmäßig über Sammlungen verteilte Serienstichproben
• Datensatzvergleich: Kreuztabelle (Krebsart × Modalität) für eine Sammlung
• Aktualitätsprüfung: Neue Serien seit einer bestimmten IDC-Version

Anstatt das Rad neu zu erfinden, laden Sie den Leitfaden und passen Sie die Abfragen an Ihre Parameter an.

Bewährte Methoden

1. Immer die IDC-Datenversion überprüfen – siehe die Zusammenfassungsabfrage in references/sql_patterns.md oder GET /v3/stats. IDC veröffentlicht etwa vierteljährlich Updates, und die hier festgelegte Version kann veraltet sein.
2. Filtern, BEVOR Sie SQL ausführen: Verwenden Sie WHERE-Klauseln (oder den REST-Filter-Endpunkt), um die Ergebnismenge vor dem Abrufen einzuschränken. Viele Tabellen haben Millionen von Zeilen.
3. Lizenzprüfung vor der Verwendung: Überprüfen Sie immer die Lizenzbedingungen mit client.get_collection_license() oder dem REST-Äquivalent – besonders für kommerzielle oder KI-Trainings-Workflows.
4. Datenversionen für die Reproduzierbarkeit angeben: Heften Sie idc-index an eine bestimmte Version, wenn Sie Workflows ausführen, die reproduzierbar sein müssen.
5. Verwenden Sie virtuelle Umgebungen: Installieren Sie idc-index in einer dedizierten virtuellen Umgebung (venv oder conda), um Konflikte mit anderen Paketen zu vermeiden.
6. Starten Sie die Python-Laufzeitumgebung nach der Installation neu: idc-index muss nach der Installation neu geladen werden.
7. Verwenden Sie Batch-Verarbeitung für große Downloads: download_from_selection ist serialisiert; für Batch-Downloads mehrerer Serien erwägen Sie die Parallelisierung mit Python-Multiprocessing- oder Thread-Pools.
8. Führen Sie scripts/check_version.py vor neuen Workflows aus: Es überprüft die idc-index-Version und die IDC-Datenversion auf einmal und ist die empfohlene Methode, um sicherzustellen, dass Ihre Umgebung aktuell ist.

Fehlerbehebung

• „Table does not exist“-Fehler: Rufen Sie client.fetch_index("table_name") auf, um die Tabelle vor der Abfrage zu laden.
• ImportError: idc-index ist möglicherweise nicht installiert. Führen Sie pip install idc-index aus.
• „Connection refused“: Die IDC-API ist möglicherweise vorübergehend nicht erreichbar. Versuchen Sie es später erneut oder prüfen Sie den Status auf https://portal.imaging.datacommons.cancer.gov/.
• Download schlägt fehl: Stellen Sie sicher, dass der Ausgabepfad existiert und beschreibbar ist. Verwenden Sie dry_run=True, um vor dem eigentlichen Download den erwarteten Umfang zu validieren.
• Langsame Abfragen: Fügen Sie LIMIT-Klauseln hinzu oder verwenden Sie REST für kleinere Metadatenabfragen, um die Installation von idc-index zu vermeiden.
• „Out of memory“ beim Arbeiten mit großen DataFrames: Erwägen Sie die Verwendung von REST-Paginierung (limit/offset-Parameter) oder arbeiten Sie streaming mit client.sql_query_cursor().
• Unterschiedliche Ergebnisse zwischen Methoden: Metadaten-Antworten sollten für denselben Filter identisch sein. Wenn sie unterschiedlich sind, prüfen Sie, ob Sie wirklich dieselbe IDC-Datenversion abfragen. GET /version und client.get_idc_version() geben die von jedem Endpunkt verwendete Version zurück.

Beitragen und Feedback

Siehe IDC-Community-Seite.

Zusätzliche Ressourcen

• IDC-Portal: https://portal.imaging.datacommons.cancer.gov/
• IDC-Dokumentation: https://learn.canceridc.dev/
• idc-index auf GitHub: https://github.com/imagingdatacommons/idc-index
• IDC-Forum: https://discourse.canceridc.dev/
• IDC-Status: https://status.imaging.datacommons.cancer.gov/