UNGT (Ultrasound Nasogastric Tube Dataset)

UNGT数据集是由新加坡国立大学、新加坡 Tan Tock Seng 医院和郑州大学共同构建的超声鼻胃管图像数据集。该数据集包括493张超声图像，来源于110位患者，图像平均分辨率为879×583，对肝脏、胃、管子和胰腺等结构进行了精确标注，分为含管子的321张图像和不含管子的172张图像两个部分。该数据集的构建旨在为鼻胃管放置的医疗图像分析提供高质量的研究资源。The UNGT Dataset is an ultrasound nasogastric tube image dataset jointly constructed by the National University of Singapore, Tan Tock Seng Hospital in Singapore, and Zhengzhou University. This dataset includes 493 ultrasound images collected from 110 patients, with an average resolution of 879×583. Structures including the liver, stomach, nasogastric tube, and pancreas have been accurately annotated. The dataset is split into two subsets: 321 images containing nasogastric tubes and 172 images without nasogastric tubes. This dataset is constructed to provide high-quality research resources for medical image analysis of nasogastric tube placement.

搜集汇总

数据集介绍

构建方式

UNGT数据集的构建方式包括从110名患者的影像数据库中回顾性地收集493张超声图像，以及从已放置鼻胃管的50名患者的前瞻性招募中进行超声扫描。这些图像的平均分辨率为大约879 × 583像素，并精确标注了肝脏、胃、导管和胰腺四种结构。数据集被分为两个部分：A部分包含60名患者的321张图像，其中包含导管；B部分包含50名患者的172张图像，不包含导管。数据集的构建旨在解决超声鼻胃管图像数据集的缺乏，并为医学图像分析提供有价值的数据。

使用方法

UNGT数据集的使用方法包括：1）作为医学图像分析的训练数据集，用于分割和分类任务；2）作为研究超声鼻胃管放置的参考数据集；3）与现有的半监督学习方法相结合，以解决数据限制和数据不平衡问题。使用该数据集时，需要考虑其数据不平衡的特性，并采用适当的模型和训练策略，以提高模型在导管和胰腺等小结构上的分割和分类性能。

背景与挑战

背景概述

UNGT数据集，全称为Ultrasound Nasogastric Tube Dataset，是一项旨在解决鼻胃管超声图像数据匮乏问题的重要研究。该数据集由新加坡国立大学机械工程系、新加坡陈笃生医院放射科以及郑州大学计算机与人工智能学院的研究团队联合创建。数据集收集了110名患者的493张超声图像，平均图像分辨率为约879 × 583，并精确标注了肝脏、胃、管和胰腺等四种结构。UNGT数据集的创建填补了医学超声领域在鼻胃管相关数据集的空白，为医学图像分析研究提供了宝贵的资源，对于提升鼻胃管放置的准确性和安全性具有重要意义。

当前挑战

UNGT数据集在创建和使用过程中面临多个挑战。首先，数据集的构建面临数据限制和类别不平衡的问题，这要求在模型训练中采用有效的策略来处理。其次，超声图像的采集相对复杂，需要专业的医疗设备和专家的参与，这增加了数据收集的难度。此外，由于超声图像的特性，如低平均亮度，对图像分析和模型训练提出了更高的要求。在模型设计方面，需要开发能够同时处理数据限制和类别不平衡问题的算法，以提高模型的适应性和泛化能力。

常用场景

经典使用场景

UNGT数据集在医学图像分析领域，特别是在超声波鼻胃管定位方面，具有广泛的应用。该数据集包含493张图像，分别来自110名患者，平均图像分辨率为879 × 583。数据集对肝脏、胃、管和胰腺四个结构进行了精确标注。此外，还提出了半监督自适应加权聚合医疗分割器AAMS，以解决数据限制和失衡问题。AAMS通过调节训练过程中不同类别之间的损失来解决严重的不平衡问题。多尺度注意力聚合块通过整合局部和全局上下文信息来增强特征表示。AAMS可以强调稀疏或小结构并增强特征表示能力。在UNGT数据集上进行了广泛的分割实验，结果表明AAMS在不同程度上优于现有的最先进方法。

解决学术问题

UNGT数据集解决了医学图像分析领域缺乏公开的鼻胃管数据集的问题。此外，AAMS模型通过引入自适应加权方法来解决数据不平衡的问题，并通过多尺度注意力聚合块来增强特征表示能力，从而提高了分割和分类的准确性。

实际应用

UNGT数据集和AAMS模型在实际应用中具有重要的意义。它们可以帮助医生更准确地定位鼻胃管，从而提高患者的安全性。此外，AAMS模型还可以用于其他医学图像分割和分类任务，例如肿瘤检测和器官分割。

数据集最近研究

最新研究方向

UNGT数据集为医学图像分析领域带来了新的研究方向。该数据集包括493张来自110名患者的超声图像，平均图像分辨率为约879 × 583。其中，肝脏、胃、管和胰腺等四种结构得到了精确标注。为了解决数据限制和数据不平衡的问题，研究人员提出了一种半监督自适应加权聚合医学分割器（AAMS）。AAMS通过调节训练过程中的不同类别之间的损失来解决严重的类别不平衡问题。此外，AAMS还引入了多尺度注意力聚合（MAA）块，通过整合局部和全局上下文信息来增强特征表示。实验结果表明，AAMS在UNGT数据集上的分割实验中表现出了明显的优势。此外，研究人员还对不同的分类方法进行了广泛的分类实验，并对其性能进行了比较。UNGT数据集和AAMS模型有望为医学图像分析领域提供有价值的研究成果。

相关研究论文

• UNGT: Ultrasound Nasogastric Tube Dataset for Medical Image Analysis

  新加坡国立大学机械工程系, 新加坡 Tan Tock Seng 医院放射科, 郑州大学计算机与人工智能学院 · 2025年