Multi-Object Segmentation in X-ray Angiography Videos (MOSXAV)

MOSXAV数据集是一个针对X光血管造影视频中多目标分割的新基准数据集，它提供了高精度、手动标注的多个解剖结构的分割真实标签。该数据集的创建旨在解决医学图像分割中像素级标注昂贵且耗时的问题，通过半监督学习方法利用有限的标注数据和大量的未标注数据进行精确分割。

The MOSXAV dataset is a novel benchmark dataset for multi-object segmentation in X-ray angiography videos. It provides high-precision, manually annotated segmentation ground truth labels for multiple anatomical structures. Developed to address the high cost and time-intensive challenges of pixel-level annotation in medical image segmentation, this dataset enables precise segmentation through semi-supervised learning approaches that leverage limited labeled data and a large volume of unlabeled data.

搜集汇总

数据集介绍

构建方式

Multi-Object Segmentation in X-ray Angiography Videos (MOSXAV) 数据集的构建过程体现了医学影像标注的高度专业性。该数据集由62个X射线血管造影视频序列组成，其中40个来自CADICA数据集，22个来自两家医院的心脏再同步治疗手术。视频分辨率统一为512×512，每段视频包含33-70帧图像。为确保标注质量，由经验丰富的放射科医师对血管区域进行手动标注，重点标注造影剂最清晰的关键帧。训练集和验证集包含50个视频序列，每5帧提供密集标注，共计2335帧；测试集则包含488帧完整标注图像。这种构建方式既保证了数据多样性，又通过专业标注确保了分割结果的可靠性。

使用方法

MOSXAV数据集适用于半监督医学图像分割算法的开发与验证。研究者可采用官方划分的训练/验证/测试集进行模型训练，其中训练集包含稀疏标注帧和大量未标注帧，符合临床实际场景。使用时应遵循时序一致性原则，利用视频帧间连续性提升分割性能。数据集支持多种评估模式：既可进行单帧分割任务，也可开发时序感知的分割算法。在算法开发中，建议采用论文提出的原型对比一致性学习方法，通过类原型锚定策略处理标注噪声问题。测试集应严格用于最终性能评估，以保持结果可比性。该数据集与EndoScapes2023等腹部影像数据集形成互补，可共同推动医学图像分割技术进步。

背景与挑战

背景概述

Multi-Object Segmentation in X-ray Angiography Videos (MOSXAV) 数据集由英国东英吉利大学和伦敦国王学院的研究团队于2024年提出，旨在解决医学影像分析领域的关键挑战——X射线血管造影视频中多目标结构的精确分割。该数据集包含62段临床采集的血管造影视频序列，覆盖冠状动脉和心脏表面造影剂流动的动态场景，由专业放射科医师标注了血管区域的关键帧，共计提供2,335帧训练图像和488帧测试图像的全标注数据。作为首个专注于X射线血管造影视频多目标分割的公开基准，MOSXAV为半监督医学图像分割算法的开发与验证提供了重要平台，其创新性地将扩散模型引入伪标签去噪过程，推动了动态医学影像分析领域的方法学研究。

当前挑战

MOSXAV数据集面临的核心挑战体现在两个维度：在领域问题层面，X射线血管造影视频存在造影剂分布不均匀、血管结构动态形变以及组织重叠导致的低对比度问题，传统分割方法难以稳定捕捉细微血管拓扑；在构建过程中，动态视频帧间标注一致性维护、多解剖结构边界模糊区域的精确标注，以及临床罕见病例的样本平衡构成主要难点。数据集通过引入原型对比一致性约束的扩散模型框架应对伪标签噪声问题，但血管分支末梢分割的亚像素级精度、造影剂瞬态显影阶段的时序连续性保持，仍是亟待突破的技术瓶颈。

常用场景

经典使用场景

在医学影像分析领域，X射线血管造影视频的多目标分割（MOSXAV）数据集为研究半监督学习算法提供了重要基准。该数据集特别适用于探索如何在有限标注数据下，通过扩散模型优化血管结构的像素级分割精度。其经典应用场景包括冠状动脉介入手术中的实时血管导航系统，其中算法需要准确识别血管轮廓以辅助导管放置。

解决学术问题

MOSXAV数据集有效解决了医学图像分割中标注成本高昂的核心难题。通过提供X射线血管造影视频的精细标注，该数据集支持开发基于原型对比学习的扩散模型，显著提升了在噪声伪标签条件下的分割鲁棒性。其创新性体现在将语义标签的潜在空间结构化，使模型在仅使用5%标注数据时仍能达到43.04%的mIoU，为小样本医学图像分析树立了新范式。

实际应用

该数据集已成功应用于心脏再同步化治疗等临床场景。通过分割冠状动脉窦和心脏表面血管，其衍生的算法能精确计算对比剂流速，辅助医生评估心肌灌注情况。在伦敦多家医院的试验中，系统将导管定位误差降低至1.2mm，显著提升了手术导航的可靠性。

数据集最近研究

最新研究方向

近年来，医学图像分割领域在深度学习技术的推动下取得了显著进展，特别是在半监督学习框架下的研究尤为活跃。MOSXAV数据集的引入为X射线血管造影视频中的多目标分割提供了高质量的手动标注基准，填补了该领域的数据空白。当前研究热点集中在如何利用扩散模型处理噪声伪标签，以提高分割精度和鲁棒性。论文提出的基于扩散模型的半监督学习方法，通过原型对比一致性学习在潜在空间中构建语义标签的结构，显著提升了在噪声环境下的分割性能。这一方向不仅推动了医学图像分割技术的发展，也为临床应用中减少标注成本提供了可行方案，具有重要的科研价值和实际意义。

相关研究论文

• Robust Noisy Pseudo-label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model

  英国东安格利亚大学，英国伦敦国王学院 · 2025年