ECPC-IDS

ECPC-IDS是一个公开的子宫内膜癌PET/CT图像数据集，由东北大学医学与生物信息工程学院显微图像与医学图像分析组等机构创建。该数据集包含7159张图像，涵盖PET和CT两种成像方式，用于评估语义分割和检测高代谢区域。数据集的创建过程涉及从2013年至2022年间在中国医科大学附属盛京医院接受手术的155名子宫内膜癌患者中收集数据，并通过两位经验丰富的放射科医生使用3DSlicer软件手动勾画肿瘤区域。ECPC-IDS的应用领域主要集中在提高子宫内膜癌的早期诊断准确性，通过计算机辅助技术自动化肿瘤分割和目标检测，帮助医生做出更精确的判断，从而提高患者的5年生存率。

ECPC-IDS is a publicly available endometrial cancer PET/CT imaging dataset, developed by the Microscopic and Medical Image Analysis Group of the School of Medicine and Bioinformation Engineering, Northeastern University, and other institutions. This dataset contains 7159 images covering both PET and CT modalities, and is used for evaluating semantic segmentation and hypermetabolic region detection. The dataset was created by collecting data from 155 endometrial cancer patients who underwent surgery at Shengjing Hospital Affiliated to China Medical University between 2013 and 2022, with tumor regions manually annotated by two experienced radiologists using 3DSlicer software. The application scenarios of ECPC-IDS mainly focus on improving the accuracy of early diagnosis of endometrial cancer. By leveraging computer-aided technologies to automate tumor segmentation and object detection, it assists clinicians in making more precise judgments, thereby enhancing the 5-year survival rate of patients.

搜集汇总

数据集介绍

构建方式

ECPC-IDS数据集的构建基于155名在中国医科大学盛京医院接受手术的子宫内膜癌患者的PET/CT图像，时间跨度为2013年至2022年。数据集的准备遵循严格的规则，包括由两名经验丰富的放射科医生使用3DSlicer软件手动标注肿瘤区域，并通过注册技术确保PET和CT图像的像素间距一致。数据集分为语义分割和目标检测两个部分，分别包含7159张图像和3579个带有标注信息的XML文件。图像格式包括DICOM和PNG，以满足不同研究需求。

特点

ECPC-IDS数据集的显著特点在于其多模态融合特性，涵盖了PET和CT图像，提供了丰富的语义分割和目标检测功能。数据集不仅包含大量的高质量图像，还提供了详细的标注信息，支持多种深度学习模型的实验验证。此外，数据集的分割部分和检测部分分别设计了不同的实验设置，以确保其在不同任务中的适用性和有效性。

使用方法

ECPC-IDS数据集适用于多种深度学习模型的训练和评估，特别是在医学图像分割和目标检测领域。研究者可以使用该数据集进行语义分割任务，如UNet、UNet++等经典模型的实验，并通过Dice系数、Jaccard指数等指标评估模型性能。对于目标检测任务，数据集支持YOLO、SSD等模型的实验，并通过平均精度（AP）等指标进行性能评估。数据集的开放性使得研究者能够自由探索新的算法，推动计算机辅助诊断技术的发展。

背景与挑战

背景概述

子宫内膜癌（Endometrial Cancer, EC）是全球女性生殖系统中最常见的肿瘤之一，其发病率在发达国家呈上升趋势。早期诊断对提高患者的5年生存率至关重要，尤其是在疾病早期阶段，5年生存率可达95%以上。18F-FDG正电子发射断层扫描/计算机断层扫描（PET/CT）作为一种非侵入性诊断技术，能够精确测量肿瘤范围并提供术前分期，已被证明在子宫内膜癌的诊断中具有显著效果。然而，由于缺乏公开的子宫内膜癌PET/CT图像数据集，计算机辅助诊断技术的应用受到限制。为此，Dechao Tang等人于2023年发布了首个公开的子宫内膜癌PET/CT图像数据集（ECPC-IDS），该数据集包含7159张图像和3579个带有标注信息的XML文件，旨在支持语义分割和超代谢区域检测任务。ECPC-IDS的发布为研究人员提供了宝贵的资源，推动了计算机辅助技术在子宫内膜癌诊断中的应用。

当前挑战

ECPC-IDS数据集的构建面临多重挑战。首先，PET和CT图像的像素间距差异较大，需要进行图像配准以确保分割和检测的准确性。其次，由于子宫内膜癌在CT图像中与周围正常组织的对比度较低，导致分割任务的难度增加。此外，数据集的标注过程需要经验丰富的放射科医生手动绘制肿瘤区域，这一过程耗时且容易受到主观因素的影响。在算法层面，尽管深度学习方法在图像分割和目标检测中表现出色，但如何在高噪声、低分辨率的医学图像中实现精确的分割和检测仍然是一个挑战。最后，数据集的多样性和规模限制了其在不同模型上的泛化能力，尤其是在处理小目标和复杂背景时，模型的性能仍有待提升。

常用场景

经典使用场景

ECPC-IDS数据集的经典使用场景主要集中在子宫内膜癌的PET/CT图像的语义分割和超代谢区域的检测。该数据集通过提供大量的PET和CT图像，支持研究人员开发和验证深度学习模型，以实现对肿瘤区域的精确分割和超代谢区域的自动检测。这些任务在临床诊断中具有重要意义，能够帮助医生更准确地评估肿瘤的范围和分期，从而制定更有效的治疗方案。

实际应用

ECPC-IDS数据集在实际应用中具有广泛的前景，特别是在子宫内膜癌的早期诊断和治疗规划中。通过使用该数据集训练的深度学习模型，医生可以更快速、准确地进行肿瘤分割和超代谢区域的检测，从而提高诊断效率和治疗效果。此外，该数据集的应用还可以减少医生的工作负担，降低人为误差，为临床决策提供更可靠的支持。

衍生相关工作

ECPC-IDS数据集的发布激发了大量相关研究工作，特别是在子宫内膜癌的PET/CT图像分析领域。基于该数据集，研究人员开发了多种深度学习模型，如UNet、UNet++、TransUNet等，用于语义分割任务，以及YOLOv3、YOLOv4、SSD等用于目标检测任务。这些模型在数据集上的表现证明了其在医学图像分析中的有效性，并为未来的研究提供了新的方向，特别是在多模态图像融合和肿瘤检测的自动化方面。