Angelou0516/kvasir-seg

# Kvasir-SEG: Gastrointestinal Polyp Segmentation Dataset ## Dataset Description Kvasir-SEG is a gastrointestinal polyp segmentation dataset containing 900 polyp images with corresponding segmentation masks from the Kvasir dataset. - **Task**: Binary segmentation (polyp vs. background) - **Modality**: Gastrointestinal endoscopy - **Format**: PNG images (332x487 to 1920x1072 pixels) with binary masks - **Split**: 800 training images, 100 test images ## Dataset Structure ``` kvasir-seg/ ├── train/ │ ├── images/ # 800 training images │ └── masks/ # 800 training masks └── test/ ├── images/ # 100 test images └── masks/ # 100 test masks ``` ## Citation If you use this dataset, please cite: ```bibtex @inproceedings{jha2020kvasir, title={Kvasir-SEG: A Segmented Polyp Dataset}, author={Jha, Debesh and Smedsrud, Pia H and Riegler, Michael A and Halvorsen, P{a}l and de Lange, Thomas and Johansen, Dag and Johansen, H{a}vard D}, booktitle={International Conference on Multimedia Modeling}, pages={451--462}, year={2020}, organization={Springer} } ``` ## Usage ```python from datasets import load_dataset # Load dataset dataset = load_dataset("Angelou0516/kvasir-seg", split="train") # Access sample sample = dataset[0] image = sample['image'] mask = sample['mask'] ``` ## License Please refer to the original Kvasir dataset license and citation requirements. ## Links - Original Dataset: https://datasets.simula.no/kvasir-seg/ - Paper: https://link.springer.com/chapter/10.1007/978-3-030-37734-2_37Kvasir-SEG is a gastrointestinal polyp segmentation dataset containing 900 polyp images with corresponding binary segmentation masks for the task of segmenting polyps from the background in gastrointestinal endoscopy images. The dataset is split into a training set with 800 images and a test set with 100 images.

搜集汇总

数据集介绍

构建方式

Kvasir-SEG数据集源自Kvasir数据集，专注于胃肠道息肉分割任务，包含1000张内窥镜图像及其对应的二值分割掩码。该数据集由研究团队从临床内窥镜检查中采集，经过精心筛选和标注，确保每张图像均包含明确的息肉区域。图像尺寸从332x487到1920x1072像素不等，以PNG格式存储，并划分为训练集、验证集和测试集，便于模型训练与评估。构建过程中，遵循严格的标注标准，由医学专家进行掩码绘制，从而保障数据质量与可靠性。

使用方法

使用Kvasir-SEG数据集时，可通过HuggingFace的datasets库直接加载，调用load_dataset('Angelou0516/kvasir-seg')即可获取完整的训练、验证和测试子集。每个样本包含图像路径（file_name）和对应的分割掩码路径（label），用户需自行读取图像文件进行预处理。该数据集兼容PyTorch、TensorFlow等主流框架，开发者可结合torchvision的transforms模块进行数据增强，或直接集成到现有的分割模型训练流程中。推荐在加载后统一调整图像尺寸，并应用归一化操作以适配模型输入要求。

背景与挑战

背景概述

在医学影像分析领域，尤其是消化道内窥镜检查中，息肉分割是早期诊断结直肠癌的关键环节。Kvasir-SEG数据集由Simula研究团队及多位学者于2020年共同发布，核心研究人员包括Debesh Jha、Pia H. Smedsrud等人。该数据集从Kvasir数据库中精选了1000张涵盖不同形态、尺寸与光照条件的胃肠道息肉内窥镜图像，并配以像素级分割掩码，为二元分割任务（息肉与背景）提供了标准化基准。其问世填补了高质量息肉分割公共数据集的空白，推动了深度学习模型在消化内镜辅助诊断中的发展，成为该领域广泛引用的评估资源。数据集采用PNG格式，图像分辨率从332×487到1920×1072不等，并预设训练、验证与测试子集，便于算法复现与比较。

当前挑战

Kvasir-SEG数据集致力于解决的核心挑战在于内窥镜图像中息肉的精准分割，这面临多重困难。首先，息肉形态多样、边界模糊，且与背景黏膜对比度低，使得模型难以区分病变区域；其次，内窥镜图像常受光照不均、镜面反射及运动伪影干扰，增加了分割的复杂度。在数据集构建过程中，挑战同样显著：从Kvasir原始数据中筛选并标注1000张高质量图像需耗费大量专家精力，确保掩码的像素级精确性；同时，图像分辨率差异大，需统一处理以适配模型输入，而标注一致性也因息肉外观变化而难以保证。此外，数据集规模相对较小（不足1000样本），可能限制深度模型的泛化能力，尤其是在应对临床中罕见息肉类型时。

常用场景

经典使用场景

Kvasir-SEG数据集作为胃肠道息肉分割领域的基准资源，广泛应用于医学影像分析中的语义分割任务。研究者常利用其包含的1000张内窥镜图像及对应的二值掩膜，训练和评估深度学习模型在息肉区域精确分割上的表现。该数据集提供了明确的训练、验证和测试划分，便于进行标准化实验对比，尤其适用于基于卷积神经网络或Transformer架构的医学图像分割方法，如U-Net、DeepLab及混合注意力模型等。

解决学术问题

该数据集有效解决了胃肠道息肉自动分割中标注数据匮乏与标准基准缺失的学术难题。通过提供高质量、多样化的息肉图像与掩膜，Kvasir-SEG支撑了从传统图像处理到深度学习的算法演进，推动了分割模型在复杂内窥镜环境下的鲁棒性研究。其意义在于促进了早期结直肠癌筛查技术的自动化进展，为跨机构、跨设备的算法泛化性评估提供了可靠依据，显著降低了人工标注成本与诊断主观性。

实际应用

在实际临床中，Kvasir-SEG训练的模型可集成至内窥镜辅助诊断系统，实时标注息肉区域以辅助医生决策。其应用覆盖从息肉检测、边界勾勒到良恶性初步评估的全流程，尤其在结肠镜检查中，能提升微小或扁平息肉的检出率。此外，该数据集还可用于开发术中导航工具，通过分割结果引导活检或切除操作，减少漏诊风险，并有望在远程医疗场景中实现自动化报告生成。

数据集最近研究

最新研究方向

基于Kvasir-SEG数据集的胃肠道息肉分割研究正聚焦于深度学习与Transformer架构的深度融合，以提升内窥镜影像中病变区域的精准识别能力。当前前沿方向包括混合特征金字塔网络（如ESFPNet）的构建，通过跨阶段特征融合与注意力机制优化，显著改善小目标息肉与复杂背景下的分割鲁棒性。该数据集作为标准基准，驱动了多项关于医学影像少样本学习与域自适应技术的突破，其在结直肠癌早期筛查中的临床转化价值日益凸显。伴随多模态内镜成像与实时辅助诊断系统的演进，Kvasir-SEG已成为验证高效分割算法、推动消化道肿瘤智能检测标准化的重要基石。