MedPointS

MedPointS数据集是由清华大学深圳国际研究生院和鹏城实验室构建的大型医学点云数据集，包含多种医学解剖结构的点云数据。该数据集提供了28737个用于分类的解剖结构样本，1020个用于分割的完整点云样本，并为完成度任务提供了部分点云样本。这些样本来源于MedShapeNet数据集，并通过精心挑选和处理，以适应医学点云学习的需求。数据集支持医学点云的解剖结构分类、完成度和分割任务，旨在推动医学点云分析领域的研究。The MedPointS dataset is a large-scale medical point cloud dataset constructed by Tsinghua University Shenzhen International Graduate School and Peng Cheng Laboratory. It contains point cloud data of various medical anatomical structures. Specifically, this dataset provides 28,737 anatomical structure samples for classification tasks, 1,020 complete point cloud samples for segmentation tasks, and partial point cloud samples for point cloud completion tasks. These samples are derived from the MedShapeNet dataset and have been carefully selected and processed to meet the requirements of medical point cloud learning. The dataset supports anatomical structure classification, completion and segmentation tasks for medical point clouds, aiming to promote research in the field of medical point cloud analysis.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，三维点云数据因其紧凑性和直观性逐渐成为研究热点。MedPointS数据集的构建基于MedShapeNet这一大规模医学形状数据集，通过精选具有相对完整身体部位扫描的患者数据，构建了包含28,737个解剖结构、覆盖46个类别的分类数据集。针对点云补全任务，采用随机选择锚点并移除20%最近邻点的方法生成不完整样本；而对于分割任务，则通过整合患者对应的解剖结构，创建了包含1,020个样本、每个样本含65,536个点的数据集。数据预处理采用最远点采样（FPS）和k近邻（KNN）查询相结合的策略，确保点云的紧凑性和多尺度几何信息的有效聚合。

使用方法

该数据集支持多种医学点云分析任务的基准测试。对于分类任务，研究者可采用分层采样策略构建多尺度特征，利用交叉熵损失函数优化模型；补全任务推荐使用密度感知Chamfer距离作为损失函数，通过2D网格变形方法实现点云重建；分割任务则建议采用特征传播策略，结合距离加权插值法实现层次特征解码。实验设置方面，建议将数据集分为5折，前3折用于训练，第4折验证，第5折测试。所有任务均可在NVIDIA A800 GPU环境下运行，初始学习率设为1e-4并采用线性衰减策略。为提升模型性能，可结合坐标顺序扫描和由内向外扫描两种序列化策略，充分发挥状态空间模型在长程依赖建模方面的优势。

背景与挑战

背景概述

MedPointS数据集由清华大学深圳国际研究生院与鹏城实验室的研究团队于2025年创建，旨在推动医学点云在疾病诊断与治疗中的深度应用。该数据集源于大规模医学形状库MedShapeNet，包含46类28,737个解剖结构样本，支持分类、补全与分割三大任务。其创新性体现在采用状态空间模型（SSM）构建层次化特征学习框架，通过最远点采样与多尺度KNN查询实现不规则点的序列化处理，为医学三维视觉研究提供了首个系统性基准。作为医学点云分析领域的重要基础设施，MedPointS弥补了传统体数据与点云数据间的技术鸿沟，对手术规划、病理分析等临床场景具有显著价值。

当前挑战

医学点云分析面临双重挑战：在领域层面，解剖结构的复杂嵌套特性导致传统点云方法难以捕捉长程依赖关系，如Transformer的二次计算复杂度限制了其在密集点云中的应用；而局部卷积网络对动态解剖形变的建模能力有限。在构建层面，医学影像固有的高维冗余性迫使数据需经激进降采样，但可能损失关键形态特征。MedPointS通过坐标序与内外扫描策略优化点序列化过程，其构建难点在于平衡采样密度与计算效率，同时解决多模态医学数据（如CT与MRI）到点云的异构转换问题。此外，数据标注需跨医学影像学与计算机视觉的双重专业知识，标注一致性保障成为关键制约因素。

常用场景

经典使用场景

在医学影像分析领域，MedPointS数据集为研究者提供了一个大规模、多样化的医学点云数据平台，特别适用于解剖结构分类、补全和分割任务。该数据集通过整合来自MedShapeNet的多种解剖结构，涵盖了丰富的医学形状信息，为深度学习模型在复杂医学点云上的性能评估提供了标准化的测试环境。其多任务特性使得研究者能够全面评估模型在不同医学点云处理任务中的表现，推动了医学点云分析技术的发展。

解决学术问题

MedPointS数据集有效解决了医学点云分析中的关键学术问题，包括高维医学数据的紧凑表示、复杂解剖结构的特征学习以及长距离依赖关系的建模。通过提供大规模标注数据，该数据集支持研究者开发能够同时捕捉局部几何特征和全局语义关系的先进算法。特别地，基于状态空间模型（SSM）的框架在该数据集上的优异表现，验证了线性复杂度模型在处理医学点云长序列方面的优势，为突破传统Transformer模型二次计算复杂度的限制提供了新思路。

实际应用

在实际医疗场景中，MedPointS数据集的应用显著提升了医学影像分析的效率和精度。其支持的解剖结构分类功能可辅助临床快速识别异常组织；点云补全技术能够从部分扫描数据重建完整器官模型，为手术规划提供可靠依据；而精确的分割能力则有助于病灶区域的定量分析。这些应用直接服务于疾病诊断、治疗规划等关键医疗环节，展现了医学点云分析技术在提升医疗服务质量方面的巨大潜力。

数据集最近研究

最新研究方向

近年来，MedPointS数据集在医学点云分析领域引起了广泛关注，特别是在基于状态空间模型（SSM）的层次特征学习方面。医学点云数据因其在疾病诊断和治疗中的潜在应用而备受瞩目，然而其复杂的嵌套结构和数据稀缺性为研究带来了挑战。最新研究通过结合坐标顺序和内外扫描策略，实现了对不规则点云的高效序列化，从而在解剖分类、补全和分割任务中取得了显著进展。这一方向不仅推动了医学图像分析的边界，还为未来整合多模态数据（如影像与文本）提供了新的研究思路。

相关研究论文

• Hierarchical Feature Learning for Medical Point Clouds via State Space Model

  清华大学深圳国际研究生院，鹏城实验室 · 2025年