SYSU-FLL-CEUS Dataset

我们发布的SYSU-CEUS数据集包含三种类型的FLL：186个HCC实例，109个HEM实例和58个FNH实例（即186个恶性实例和167个良性实例）。该数据集由中山大学第一附属医院收集，使用的是Aplio SSA-770A（东芝医疗系统）设备。所有这些实例分辨率为768*576，来自不同患者，FLL的外观和增强模式（例如大小、对比度、形状和位置）有较大变化。

The SYSU-CEUS dataset we released contains three types of FLLs: 186 instances of HCC, 109 instances of HEM, and 58 instances of FNH (i.e., 186 malignant instances and 167 benign instances). This dataset was collected by the First Affiliated Hospital of Sun Yat-sen University using the Aplio SSA-770A (Toshiba Medical Systems) equipment. All instances have a resolution of 768*576 and are from different patients, with significant variations in the appearance and enhancement patterns (e.g., size, contrast, shape, and location) of the FLLs.

原始信息汇总

SYSU-FLL-CEUS 数据集概述

数据集组成

• 类型与数量：包含三种类型的焦点肝脏病变（FLLs）：
  • 186个肝细胞癌（HCC）实例
  • 109个肝血管瘤（HEM）实例
  • 58个局灶性结节增生（FNH）实例
  • 总计：186个恶性实例和167个良性实例

数据来源

• 采集地点：第一附属医院，中山大学
• 设备：Aplio SSA-770A（东芝医疗系统）

数据特征

• 分辨率：768*576
• 多样性：来自不同患者，具有广泛的外观和增强模式变化（如大小、对比度、形状和位置）

数据集访问

• 完整数据集链接：Google Drive链接

引用信息

• 若使用此数据集，请引用以下论文：
  • Xiaodan Liang, Qingxing Cao, Rui Huang, Liang Lin, "Recognizing focal liver lesions in contrast-enhanced ultrasound with discriminatively trained spatio-temporal model", Biomedical Imaging (ISBI), 2014 IEEE 11th International Symposium on, 2014.
  • Xiaodan Liang, Liang Lin, Qingxing Cao, Rui Huang, Yongtian Wang, “Recognizing Focal Liver Lesions in CEUS with Dynamically Trained Latent Structured Models”. IEEE TRANSACTIONS ON MEDICAL IMAGING (T-MI), 2015.

搜集汇总

数据集介绍

构建方式

SYSU-FLL-CEUS数据集构建于中山大学附属第一医院，采用Toshiba Medical System的Aplio SSA-770A设备进行数据采集。该数据集包含三种类型的局灶性肝病变（FLLs）：186例肝细胞癌（HCC）、109例肝血管瘤（HEM）和58例肝局灶性结节性增生（FNH），共计353例实例。所有图像分辨率为768*576，采集自不同患者，病变在大小、对比度、形状和位置等方面呈现出显著的多样性。

特点

SYSU-FLL-CEUS数据集的特点在于其丰富的病变类型和广泛的形态学变化。数据集涵盖了恶性与良性病变的对比，为研究者提供了全面的分析基础。图像分辨率统一，且每例病变均来自不同患者，确保了数据的多样性和代表性。病变的增强模式多样，包括大小、对比度、形状和位置的显著差异，为深度学习模型的训练和验证提供了高质量的样本。

使用方法

使用SYSU-FLL-CEUS数据集时，研究者可通过提供的Google Drive链接下载完整数据。数据集适用于局灶性肝病变的自动识别与分类研究，特别是在对比增强超声（CEUS）图像分析领域。使用该数据集时，需引用相关论文，包括2014年IEEE ISBI会议和2015年IEEE T-MI期刊的发表成果。数据集的高分辨率和多样性使其成为训练和验证深度学习模型的理想选择，尤其适用于研究病变的时空特征和动态增强模式。

背景与挑战

背景概述

SYSU-FLL-CEUS数据集由中山大学第一附属医院的研究团队于2014年发布，旨在推动对比增强超声（CEUS）中肝脏局灶性病变（FLL）的自动识别研究。该数据集包含186例肝细胞癌（HCC）、109例血管瘤（HEM）和58例局灶性结节性增生（FNH）的实例，共计353例病变图像。这些图像通过Toshiba Medical System的Aplio SSA-770A设备采集，分辨率为768*576，涵盖了病变在大小、对比度、形状和位置等方面的显著多样性。该数据集的发布为肝脏病变的计算机辅助诊断提供了重要的数据支持，相关研究成果已发表于IEEE ISBI和TMI等顶级期刊，对医学影像分析领域产生了深远影响。

当前挑战

SYSU-FLL-CEUS数据集在解决肝脏局灶性病变自动识别问题时面临多重挑战。首先，病变在对比增强超声图像中的表现具有高度异质性，包括大小、形状、位置和增强模式的显著差异，这对模型的泛化能力提出了较高要求。其次，数据集的规模相对有限，尤其是良性病变的样本数量较少，可能导致模型在训练过程中出现偏差。此外，图像采集过程中可能受到设备参数、患者个体差异以及操作者技术水平的影响，进一步增加了数据处理的复杂性。在构建数据集时，研究团队还需确保数据的标注准确性和一致性，这对医学影像数据的质量控制提出了严格的要求。

常用场景

经典使用场景

SYSU-FLL-CEUS数据集在医学影像分析领域具有重要应用，特别是在肝脏局灶性病变（FLL）的识别与分类中。该数据集通过提供不同病变类型的超声图像，为研究人员提供了一个标准化的测试平台，用于开发和验证各种图像识别算法。其高分辨率和多样化的病变表现，使得该数据集成为评估算法性能的理想选择。

解决学术问题

SYSU-FLL-CEUS数据集解决了医学影像分析中的关键问题，即如何准确区分良性和恶性肝脏病变。通过提供大量标注清晰的超声图像，该数据集为研究人员提供了丰富的数据资源，帮助他们开发出更为精确的诊断模型。这不仅提高了病变识别的准确性，还为临床决策提供了有力支持，推动了医学影像技术的进步。

衍生相关工作

基于SYSU-FLL-CEUS数据集，研究人员已经开发出多种先进的图像识别算法和模型。例如，Xiaodan Liang等人提出的动态训练潜在结构模型，显著提高了肝脏病变识别的准确性。这些衍生工作不仅推动了医学影像分析技术的发展，还为后续研究提供了宝贵的经验和参考。