Spinal Cord Ultrasound Dataset

Spinal Cord Ultrasound Dataset是由约翰斯·霍普金斯大学创建的一个公开的超声图像数据集，包含10,223张B模式图像，涵盖了猪脊髓在受伤前后的矢状切片。数据集的创建过程包括从25头约50磅重的雌性约克夏猪中收集超声图像，并在手术后进行图像采集。该数据集主要用于脊髓损伤定位和解剖分割的深度学习基准测试，旨在解决临床环境中实时监测和自动诊断脊髓损伤的问题。Spinal Cord Ultrasound Dataset is a publicly available ultrasound image dataset developed by Johns Hopkins University. It contains 10,223 B-mode images covering sagittal slices of porcine spinal cords before and after injury. The dataset was constructed by collecting ultrasound data from 25 female Yorkshire pigs each weighing approximately 50 pounds, with image acquisition conducted post-surgery. This dataset is primarily utilized as a deep learning benchmark for spinal cord injury localization and anatomical segmentation, aiming to address the challenges of real-time monitoring and automatic diagnosis of spinal cord injuries in clinical settings.

搜集汇总

数据集介绍

构建方式

该数据集的构建过程历时两年，从2021年至2022年，采集了25只体重约50磅的雌性约克夏猪的脊髓超声数据。所有实验均遵循国家卫生研究院关于实验室动物护理和使用的指南，并获得约翰斯·霍普金斯大学动物护理和使用委员会的批准。通过在第4至第6胸椎（T4-T6）进行椎板切除术，创建了声学窗口，并使用Canon Aplio i800超声系统连接i22LH8或i18LX5换能器采集了不同角度和位置的脊髓矢状面图像。随后，通过重量下落（20、40或60克）从17厘米的高度诱导损伤，并重新采集图像。此外，还从8名人类患者中采集了脊髓超声图像，这些患者在第11胸椎至第1腰椎（T11-L1）进行了椎板切除术。所有人类数据采集方法均获得约翰斯·霍普金斯大学机构审查委员会的批准，并遵循赫尔辛基宣言，获得知情同意。

特点

该数据集包含10,223张亮度模式（B模式）图像，涵盖了猪脊髓在损伤前后的矢状面切片。此外，还包含86张人类脊髓超声图像，用于评估模型在人类数据上的零样本泛化能力。数据集分为三个子集：猪图像中的损伤定位、猪图像中的语义分割以及人类图像中的语义分割。所有图像均经过预处理，转换为PNG格式，并裁剪至包含感兴趣解剖结构的区域。数据集的标注过程包括使用计算机视觉标注工具（CVAT）创建损伤定位的边界框和语义分割的地面真值图像掩码，标注的解剖结构包括硬膜、脑脊液、软膜、脊髓和血肿。

使用方法

该数据集可用于训练和评估深度学习模型在脊髓损伤定位和解剖结构分割中的性能。研究人员可以使用数据集中的图像和标注来训练对象检测模型，如Faster RCNN、SSD300、SSD512、RetinaNet、DETR、YOLOv7和YOLOv8，以定位损伤部位。同时，也可以使用语义分割模型，如SegFormer、U-Net、DeepLabv3、TransUNet、Swin-UNet和SAMed，来分割脊髓的解剖结构。数据集的公开发布旨在促进医学计算机视觉方法的发展，并为脊髓损伤领域的临床研究和应用提供支持。

背景与挑战

背景概述

脊髓超声数据集（Spinal Cord Ultrasound Dataset）由约翰斯·霍普金斯大学及其医学院的研究团队创建，旨在推动深度学习在脊髓损伤定位和解剖分割中的应用。该数据集包含10,223张亮度模式（B-mode）图像，涵盖了猪脊髓在受伤前后的矢状切片。研究团队通过对比多种最先进的物体检测和语义分割算法，评估了其在脊髓损伤定位和解剖结构标记中的表现。此外，研究还探讨了这些模型在人类脊髓超声图像上的零样本泛化能力，以验证其在临床应用中的潜力。该数据集的发布标志着在脊髓超声图像领域首次公开的大规模标注数据集，为医学机器学习的发展提供了宝贵的资源。

当前挑战

脊髓超声数据集的构建面临多重挑战。首先，医学图像数据的获取和标注过程耗时且成本高昂，限制了深度学习技术在临床环境中的广泛应用。其次，脊髓损伤的复杂性和多样性使得图像中的解剖结构和病理异常的准确识别变得困难。此外，超声图像本身存在质量问题，如信号反射、伪影和斑点噪声，这些因素增加了图像解释的难度和观察者间变异性。最后，模型在猪脊髓数据集上训练后，能否有效泛化到人类脊髓图像，仍是一个待解决的问题。这些挑战要求研究团队在数据采集、标注和模型训练过程中采取创新方法，以提高模型的准确性和泛化能力。

常用场景

经典使用场景

在脊髓损伤（SCI）的临床诊断与治疗中，脊髓超声数据集（Spinal Cord Ultrasound Dataset）被广泛应用于深度学习模型的训练与评估。该数据集包含10,223张亮度模式（B-mode）超声图像，涵盖了猪脊髓在损伤前后的纵向切片。通过这些图像，研究人员可以训练和验证多种先进的物体检测算法，以精确定位损伤部位，并使用语义分割模型对脊髓的解剖结构进行标注。此外，该数据集还用于评估模型在人类脊髓超声图像上的零样本泛化能力，以确保模型在不同物种间的适用性。

衍生相关工作

脊髓超声数据集的发布催生了一系列相关研究，推动了医学图像处理领域的创新。基于该数据集，研究人员开发了多种先进的物体检测和语义分割模型，如YOLOv8和DeepLabv3，这些模型在脊髓损伤定位和解剖结构分割方面表现出色。此外，数据集还促进了跨物种模型的泛化能力研究，为模型的临床转化提供了理论支持。未来，随着更多相关研究的开展，预计将会有更多基于该数据集的创新应用出现，进一步推动医学图像处理技术的发展。

数据集最近研究

最新研究方向

在脊髓损伤（SCI）诊断领域，Spinal Cord Ultrasound Dataset的最新研究方向聚焦于利用深度学习技术进行损伤定位和解剖结构分割。该数据集包含了10,223张猪脊髓的B模式超声图像，涵盖了损伤前后的情况，并首次公开了用于评估损伤定位和解剖分割的深度学习模型基准。研究者们通过对比多种先进的物体检测算法和语义分割模型，发现YOLOv8在损伤定位上表现最佳，而DeepLabv3在解剖结构分割上具有最高精度。此外，研究还探讨了这些模型在人类脊髓超声图像上的零样本泛化能力，旨在为临床应用提供更为精确和实时的诊断工具。

相关研究论文

• A novel open-source ultrasound dataset with deep learning benchmarks for spinal cord injury localization and anatomical segmentation

  约翰斯·霍普金斯大学 · 2024年