Angelou0516/ps-fh-aop-2023

PS-FH-AOP-2023 (PSFHS)数据集是一个用于产中超声图像分割的医学数据集，特别关注耻骨联合和胎儿头部的分割。数据集包含1,358个配对样本，每个样本包括一个256x256 RGB的产中经会阴超声图像（中矢状面）和一个256x256的灰度掩码。掩码包含3个类别：0表示背景，1表示耻骨联合(PS)，2表示胎儿头部(FH)。样本ID范围为03744-05101。该数据集是MICCAI 2023 Grand Challenge的公开子集，没有官方的训练/验证/测试分割。数据集来源包括Zenodo（CC-BY-4.0许可）、挑战赛网站和相关论文。The PS-FH-AOP-2023 (PSFHS) dataset is a medical dataset for intrapartum ultrasound image segmentation, specifically focusing on the segmentation of the pubic symphysis and fetal head. The dataset contains 1,358 paired samples, each consisting of a 256x256 RGB intrapartum transperineal ultrasound image (mid-sagittal plane) and a 256x256 grayscale mask. The mask includes 3 classes: 0 for background, 1 for pubic symphysis (PS), and 2 for fetal head (FH). Sample IDs range from 03744 to 05101. This dataset is a public subset of the MICCAI 2023 Grand Challenge and does not have an official train/val/test split. The dataset sources include Zenodo (CC-BY-4.0 license), the challenge website, and related papers.

搜集汇总

数据集介绍

构建方式

该数据集来源于MICCAI 2023 Grand Challenge中公开的PSFHS Zenodo子集，旨在支持产时超声图像中耻骨联合与胎儿头部的智能分割。数据集包含1,358对配对的样本，每对样本由一张256×256像素的RGB产时经会阴超声图像（中矢状平面）和一张对应的256×256像素灰度掩膜图像组成。掩膜图像定义了三个类别：0代表背景，1代表耻骨联合，2代表胎儿头部。样本ID范围为03744至05101。值得注意的是，该子集仅提供了单一的'train'分割，未发布官方的训练/验证/测试划分，更广泛的挑战语料库中还混合了未在此重新分发的JNU-IFM数据。

特点

该数据集的核心特点在于其专注于产时超声图像中两个关键解剖结构——耻骨联合与胎儿头部的语义分割任务。图像尺寸统一为256×256像素，保证了输入数据的一致性。掩膜采用三分类标注，清晰区分背景、耻骨联合和胎儿头部，为模型训练提供了明确的监督信号。数据集规模在1千至1万之间，共计1,358对样本，兼顾了数据多样性与可管理性。其来源可靠，遵循CC-BY-4.0许可协议，便于学术研究与开源社区的广泛使用。此外，该数据集与同步发表的挑战报告和论文紧密关联，为算法的性能评估提供了基准参考。

使用方法

用户可通过HuggingFace平台直接加载该数据集，使用前需确保已安装datasets库。由于数据集仅包含'train'分割，用户需自行划分训练、验证和测试子集以进行模型开发与评估。加载后，每张图像和掩膜均以PIL图像格式返回，便于与PyTorch或TensorFlow等深度学习框架集成。建议将图像归一化至[0,1]区间并将掩膜转换为长张量以适配常见的分割网络（如U-Net）。此外，数据集的官方来源为Zenodo（DOI: 10.1038/s41597-024-03266-4），相关论文和挑战报告提供了详细的背景与基线结果，用户可据此设计实验并进行结果对比。

背景与挑战

背景概述

在产科学领域，通过超声影像准确识别耻骨联合与胎儿头部结构，对于评估分娩进展、降低母婴风险至关重要。然而，传统依赖人工判读的方法存在主观性强、耗时耗力等局限性，亟需自动化分割技术的突破。2023年，由Lu等研究团队发起的MICCAI Grand Challenge——PS-FH-AOP，聚焦于产时经会阴超声图像中耻骨联合与胎儿头部的分割任务。该挑战赛发布了PS-FH-AOP-2023数据集，包含1,358对256×256像素的RGB超声图像及其对应的三类别分割掩膜（背景、耻骨联合、胎儿头部），数据来源于Zenodo平台，采用CC-BY-4.0许可协议。该数据集为人工智能驱动的产时超声分析提供了标准化基准，显著推动了产科影像智能诊断领域的发展。

当前挑战

该数据集面临的核心挑战在于解决超声图像中耻骨联合与胎儿头部分割的领域难题：超声图像固有的低信噪比、声学阴影及组织边界模糊特性，使得传统分割算法难以精确描绘目标轮廓；同时，分娩过程中胎儿头部的姿态多变及耻骨联合的形态差异，进一步增加了模型泛化的难度。在构建过程中，挑战还源于数据标注的高昂成本与专业依赖——需要经验丰富的产科医师对数千帧超声图像进行逐像素标注，以保证掩膜质量；此外，官方仅提供训练集分割方案（单train split），未公开发布验证集与测试集的划分，导致跨机构方法评估时需自行拆分，可能引入数据分布偏移与结果可比性风险。

常用场景

经典使用场景

在产科超声影像分析领域，PS-FH-AOP-2023数据集为分娩过程中耻骨联合与胎头分割任务提供了标准化的基准资源。该数据集源自MICCAI 2023国际挑战赛，包含1,358对经会阴超声图像与像素级标注掩码，图像尺寸统一为256×256像素，掩码区分背景、耻骨联合及胎头三类结构。研究者通常利用此数据集开展深度学习分割模型的训练与验证，尤其是基于U-Net及其变体架构的语义分割方法，以精准描绘产道关键解剖标志。

实际应用

在实际临床场景中，基于PS-FH-AOP-2023数据集训练的分割模型可部署于产房超声设备，实现宫缩期胎头位置的实时自动追踪。通过识别耻骨联合与胎头轮廓，系统能够连续计算胎头-耻骨联合角度，为助产士和产科医师提供客观的第二产程进展指标，减少对主观经验判断的依赖。此外，该技术与可穿戴超声探头结合，有望实现持续无创的产程监护，降低难产识别延迟及器械助产相关的母婴风险。

衍生相关工作

该数据集已催生多项代表性研究成果，其中Bai等人发表于Medical Image Analysis的挑战赛总结报告系统评价了多种先进分割架构在PS-FH-AOP数据上的性能差异。Lu等人发表在Scientific Data上的论文则详细描述了数据采集与标注流程，为产科影像数据集构建树立了范例。此外，基于该数据衍生出的迁移学习与域适应方法，以及结合时序信息的动态分割模型，正逐渐形成产时超声分析的研究分支，推动围产期人工智能技术向临床转化迈进。