CathAction

CathAction数据集由帝国理工学院等机构创建，专注于血管内介入手术的理解。该数据集包含超过500,000个标注帧，用于导管操作理解和碰撞检测，以及25,000个真实掩码用于导管和导丝分割。数据集通过使用硅胶血管模型和活体动物进行收集，确保了数据的真实性和多样性。创建过程包括数据收集、标注和质量控制，旨在支持导管和导丝的分割、碰撞检测和动作理解等任务，以提高手术安全性和效率。

The CathAction Dataset was developed by Imperial College London and other institutions, focusing on the understanding of endovascular interventional procedures. This dataset contains over 500,000 annotated frames for catheter manipulation understanding and collision detection, as well as 25,000 ground-truth masks for catheter and guidewire segmentation. Collected using silicone vascular models and live animals, the dataset ensures the authenticity and diversity of the data. Its development process includes data collection, annotation and quality control, aiming to support tasks such as catheter and guidewire segmentation, collision detection and action understanding, thereby improving surgical safety and efficiency.

搜集汇总

数据集介绍

构建方式

CathAction 数据集的构建采用了虚拟人体血管硅胶模型和动物（猪）两种数据源。虚拟人体血管硅胶模型通过模拟人体血管结构，并与脉冲泵连接以模拟血液流动，从而提供真实血管环境中的数据。动物数据则通过在手术过程中使用碘化对比剂增强血管可见性，由专业血管内介入医生进行手术操作，并通过X光透视系统记录手术过程。数据收集过程中，所有数据均由专业血管内介入医生标注，确保了数据的质量和准确性。

特点

CathAction 数据集的特点在于其规模大、任务多样、标注全面。该数据集包含约50万个标注帧用于血管内介入手术动作理解和碰撞检测，以及约2.5万个用于导管和导丝分割的地面真实掩码。数据集涵盖了导管和导丝分割、碰撞检测、导管动作识别和预测等多个任务，是目前为止最大的、最真实的血管内介入手术专用数据集。此外，CathAction 数据集还包含了来自虚拟人体血管硅胶模型和真实动物的数据，这使得数据集具有独特的域间隙特征，为评估域适应提供了强有力的基准。

使用方法

使用 CathAction 数据集时，首先需要对数据集进行了解，包括数据集的规模、任务类型和标注方式。其次，根据需要选择合适的数据集子集，例如导管和导丝分割、碰撞检测、导管动作识别和预测等。然后，使用适当的机器学习或深度学习模型进行训练和测试，并使用公开的评估指标来评估模型的性能。最后，根据实际需求，对模型进行优化和调整，以提高其在血管内介入手术中的应用效果。

背景与挑战

背景概述

心血管疾病是全球范围内导致死亡的主要原因之一。为了治疗这类疾病，血管内介入手术已成为金标准，相较于传统的开放手术，它具有切口小、创伤少、降低患者并发症风险等显著优势。然而，血管内介入手术对医生的技术要求极高，主要挑战在于避免导管和导丝与血管壁发生碰撞，这可能引发严重后果，如穿孔、出血和器官衰竭。在实际操作中，医生仅能依靠二维的X光图像来操作导管和导丝，这为安全控制带来了巨大挑战。为了解决这些难题，CathAction数据集应运而生，这是一个大规模的数据集，旨在帮助理解和改进血管内介入手术。该数据集包含了大约50万个标注帧用于导管操作理解和碰撞检测，以及2.5万个用于导管和导丝分割的真实标签。CathAction数据集由英国帝国理工学院、FPT软件AI中心、越南国立大学、AIOZ Ltd.、埃克塞特大学、阿伯丁大学、上海交通大学、特温特大学、武汉理工大学等机构的研究人员共同创建，于2024年首次发布。

当前挑战

CathAction数据集的创建和利用面临着一些挑战。首先，数据集虽然规模庞大，但可能无法涵盖所有可能的临床场景，尤其是罕见或异常病例。其次，目前基于视觉的方法在导管操作预测、识别、分割和碰撞检测等任务上表现出的准确性和泛化能力仍然不足。最后，现有的评价指标主要来自计算机视觉领域，可能无法完全反映临床需求。因此，需要进一步研究以改进评价指标，并探索任务间的潜在关联。此外，CathAction数据集的另一个挑战是，它来源于两个不同的环境：血管假体数据和动物数据，这两个数据集之间存在领域差距。因此，开发能够适应不同数据集的方法是至关重要的。

常用场景

经典使用场景

CathAction 数据集在血管内介入手术的实时视觉反馈中发挥着至关重要的作用。该数据集包含约50万个标注帧，用于理解导管操作和碰撞检测，以及2.5万个导管和导丝分割的地面真实掩码。CathAction 数据集涵盖了导管和导丝分割、碰撞检测、导管操作识别和预测等多个任务，为研究人员提供了一个全面而详尽的数据集，以开发和测试先进的计算机视觉方法，旨在提高手术的安全性和效率。

解决学术问题

CathAction 数据集解决了现有数据集在规模、任务类别和聚焦方面的局限性。现有的血管内介入数据集往往规模较小，且仅针对特定任务，如分割。CathAction 数据集提供了大规模的标注数据，涵盖了多个任务，为研究人员提供了一个全面而详尽的数据集，以开发和测试先进的计算机视觉方法。此外，CathAction 数据集还提供了手动标注的地面真实数据，这对于开发准确和可靠的深度学习方法至关重要。

衍生相关工作

CathAction 数据集衍生了一系列相关的经典工作。例如，基于 CathAction 数据集，研究人员开发了先进的导管和导丝分割方法，以实现实时监测和预测。此外，CathAction 数据集还促进了碰撞检测方法的发展，以帮助外科医生避免潜在的风险。这些相关工作不仅提高了手术的安全性和效率，还为血管内介入手术领域的研究提供了新的方向和思路。