M3DA

M3DA数据集是由俄罗斯科学院信息技术与自动化研究所和Skoltech联合创建的，包含四个公开可用的多类分割数据集。该数据集设计了八种具有实际相关性的领域转移，涵盖了不同成像模态、扫描设置和对比剂存在的变化。数据集旨在鼓励开发可扩展的领域自适应方法，并用于评估超过十种现有的领域自适应方法。

搜集汇总

数据集介绍

构建方式

M3DA数据集的构建旨在解决3D医疗图像分割领域中域迁移问题。该数据集由四个公开的多类分割数据集组成，涵盖了22个分割任务。基于这些数据集，构建了八个域迁移问题，包括模态间迁移（如MRI到CT和CT到MRI）、模态内迁移（如不同MRI采集参数、不同CT辐射剂量、图像中对比剂的添加/删除等）。这些迁移问题旨在模拟现实世界中的挑战，确保数据集的多样性和实用性。

特点

M3DA数据集的特点在于其多样性和规模。它涵盖了多种医疗图像模态、扫描设置和对比剂的使用情况，从而能够模拟现实世界中的多种域迁移场景。此外，该数据集使用了大型公开数据集，使得研究人员可以以最小的资源测试新方法，并鼓励更广泛的采用。数据集的构建还考虑了域迁移问题的实际相关性，确保了数据集的实用性。

使用方法

使用M3DA数据集的方法主要包括以下几个步骤：1）选择合适的分割网络架构，如nnU-Net；2）选择合适的域迁移方法，如自适应批归一化（AdaBN）、实例归一化（IN）等；3）在源域上训练分割网络，并在目标域上应用域迁移方法进行适应；4）在目标域上评估分割网络的性能。M3DA数据集还支持监督域迁移、无源域迁移和测试时域迁移等设置，使得研究人员可以根据需要进行选择。

背景与挑战

背景概述

M3DA数据集是为了应对深度学习在3D医学图像分割应用中遇到的领域迁移问题而创建的。该数据集由AIRI Skoltech的Boris Shirokikh等人于2025年提出，旨在提供一个包含多类分割数据集的基准，以评估无监督领域迁移方法在3D医学图像分割中的有效性。M3DA数据集的创建旨在解决现有医学图像数据集的局限性，如数据隐私、样本量不足或仅限于单一或合成任务等问题。该数据集包含四个公开的多类分割数据集，并设计了八种具有多样性和实际相关性的领域迁移对。这些迁移对包括MRI和CT之间的跨模态迁移，以及MRI采集参数、CT辐射剂量和图像中对比剂增强的存在与否等内部模态迁移。M3DA数据集的发布为研究人员提供了一个共同的基准，以促进无监督领域迁移算法的发展，并提高深度学习模型在医学成像中的鲁棒性和可扩展性。

当前挑战

M3DA数据集的相关挑战主要包括：1) 领域迁移问题：由于扫描仪采集参数的变化、新的成像模态的出现以及人口差异，医学图像的领域迁移问题尤为突出。尽管已经开发了许多领域迁移方法来解决这个问题，但它们往往是在不切实际的数据迁移场景下进行评估的。2) 构建挑战：现有的医学图像数据集往往要么是私有的，要么太小而无法进行稳健的训练和评估，或者仅限于单一或合成任务。为了克服这些限制，M3DA数据集旨在提供一个包含公开可用、多类分割数据集的基准，以评估现有的领域迁移方法。然而，现有的方法在解决M3DA数据集提出的各种领域迁移问题上仍然面临挑战，例如，最有效的方法只能将领域之间的性能差距降低约62%。这突出了开发新的领域迁移算法以增强深度学习模型在医学成像中的鲁棒性和可扩展性的必要性。

常用场景

经典使用场景

M3DA数据集主要用于评估和开发3D医学图像分割的无监督域适应算法。该数据集包含了四个人类可访问的多类分割数据集，并设计了八个域对，涵盖了MRI和CT之间的跨模态转换、不同CT辐射剂量、不同MRI采集参数、以及图像中是否存在对比增强等实际相关的分布转换。通过对这些域对的评估，M3DA数据集为研究人员提供了一个全面的平台，用于测试和比较各种域适应方法，并促进开发出能够在不同医学图像数据集上保持鲁棒性和可扩展性的深度学习模型。

衍生相关工作

M3DA数据集的提出和研究已经衍生出许多相关的经典工作。例如，研究人员基于M3DA数据集开发了多种新的域适应方法，如自适应批量归一化（AdaBN）、实例归一化（IN）、自编码器（SE）、最小化熵（MinEnt）等。此外，M3DA数据集还促进了基础模型在医学图像分割中的应用，如CLIP驱动的通用模型（UniModel）和SAM-Med3D等。这些衍生工作不仅提高了域适应方法的性能，还推动了深度学习在医学图像分析领域的进一步发展。

数据集最近研究

最新研究方向

M3DA数据集旨在解决在3D医疗图像分割中应用深度学习时面临的域迁移问题。该数据集涵盖了多种医学成像模态、扫描设置和对比剂存在的差异，以反映真实世界中的挑战。研究重点在于开发新的域迁移算法，以提高深度学习模型在医疗成像中的鲁棒性和可扩展性。M3DA数据集已被用于评估超过十种现有的域迁移方法，结果表明，没有一种方法能够始终如一地缩小不同域之间的性能差距。这突出了开发新型域迁移算法的必要性。M3DA数据集的发布为研究人员提供了一个强大的基础，用于系统地比较和改进新的域迁移方法。

相关研究论文

• M3DA: Benchmark for Unsupervised Domain Adaptation in 3D Medical Image Segmentation

  俄罗斯科学院信息技术与自动化研究所，Skoltech · 2025年