MMOTU

MMOTU数据集是由北京航空航天大学电子信息工程学院和首都医科大学北京世纪坛医院妇产科联合创建的，包含1639张卵巢肿瘤超声图像，其中1469张为二维超声图像，170张为对比增强超声图像。该数据集旨在解决多模态卵巢肿瘤超声图像的跨域语义分割问题，通过提供像素级和全局级标注，支持无监督跨域语义分割研究。数据集的应用领域包括早期卵巢肿瘤检测和计算机辅助诊断，旨在提高卵巢癌的早期诊断率和降低死亡率。

The MMOTU dataset was jointly developed by the School of Electronic and Information Engineering of Beihang University and the Department of Obstetrics and Gynecology, Beijing Shijitan Hospital Affiliated to Capital Medical University. It comprises 1,639 ultrasound images of ovarian tumors, including 1,469 two-dimensional ultrasound images and 170 contrast-enhanced ultrasound images. This dataset is designed to tackle the cross-domain semantic segmentation issue for multimodal ovarian tumor ultrasound images. By providing pixel-level and global-level annotations, it supports research on unsupervised cross-domain semantic segmentation. Its application fields include early ovarian tumor detection and computer-aided diagnosis, aiming to improve the early diagnosis rate of ovarian cancer and reduce its mortality.

搜集汇总

数据集介绍

构建方式

MMOTU数据集的构建旨在解决卵巢肿瘤超声图像在多模态特征表示和跨域语义分割方面的研究不足。数据集包含了1469张二维超声图像和170张对比增强超声图像，均带有像素级和全局级注释。这些图像来源于北京世纪坛医院，由294名患者的卵巢超声图像构成，涵盖了8种典型的卵巢肿瘤类别。数据集被分为训练集和测试集，以确保在训练和测试过程中不存在患者重叠。图像注释由27名妇产科专家完成，保证了注释的质量和准确性。

特点

MMOTU数据集的特点在于其多模态性和跨域语义分割的应用。数据集包含两种模态的超声图像，即二维超声和对比增强超声，为研究多模态超声图像的特征表示能力提供了基础。此外，数据集还提供了像素级和全局级的注释，为跨域语义分割任务提供了必要的信息。MMOTU数据集的构建有助于推动卵巢肿瘤检测在多模态超声图像上的研究，为临床诊断和治疗提供了新的视角。

使用方法

MMOTU数据集的使用主要集中在对二维超声和对比增强超声图像进行跨域语义分割。研究者可以利用数据集中的像素级和全局级注释，训练深度学习模型进行肿瘤区域分割。此外，数据集还支持无监督域适应任务，研究者可以探索如何将源域中的训练模型应用于目标域中的图像，以解决域迁移问题。MMOTU数据集的公开和可用性，为研究者提供了宝贵的资源，有助于推动卵巢肿瘤检测和分割技术的发展。

背景与挑战

背景概述

卵巢癌是一种危害极大的妇科疾病，早期通过计算机辅助技术检测卵巢肿瘤可以有效降低死亡率。超声图像因其方便且对人体影响较小，在临床治疗中应用广泛。然而，现有研究主要集中在单一模态的超声卵巢肿瘤分割或识别，缺乏对多模态超声卵巢肿瘤图像表征能力的探索。为了解决这个问题，研究人员构建了多模态卵巢肿瘤超声图像数据集（MMOTU），包含1469张二维超声图像和170张对比增强超声图像，并提供了像素级和全局级的注释。基于MMOTU数据集，研究人员主要关注无监督跨域语义分割任务，并提出了名为双方案域选择网络（DS2Net）的特征对齐架构，以解决域偏移问题。该数据集和代码已在GitHub上公开，为相关领域的研究提供了重要的数据资源。

当前挑战

MMOTU数据集在卵巢肿瘤的早期检测和分类方面具有重要意义，但仍面临一些挑战。首先，数据集规模相对较小，尤其是对比增强超声图像的数量较少，这可能会影响模型的泛化能力。其次，数据集中的样本类别不平衡，某些肿瘤类型的数据较少，可能导致模型对这些类型肿瘤的识别能力不足。此外，数据集中存在一些标注符号，可能会对模型的训练和预测产生干扰。未来研究需要进一步扩大数据集规模，平衡样本类别，并探索去除标注符号对模型性能的影响。

常用场景

经典使用场景

MMOTU数据集主要被用于卵巢肿瘤超声图像的无监督跨域语义分割任务。该数据集包含了1469张二维超声图像和170张对比增强超声图像，并提供了像素级和全局级的标注。基于MMOTU数据集，研究者们可以探索多模态超声图像在卵巢肿瘤分割任务中的表示能力，以及无监督域自适应技术在该任务中的应用潜力。

解决学术问题

MMOTU数据集解决了卵巢肿瘤分割任务中缺乏多模态超声图像数据集的问题。以往的研究主要集中在单模态超声图像的分割或识别上，而MMOTU数据集提供了多模态超声图像，有助于研究者们探索多模态特征表示在卵巢肿瘤分割任务中的潜力。此外，MMOTU数据集还解决了跨域分割问题，通过无监督域自适应技术，可以有效地将源域上的分割模型应用于目标域上，从而提高了分割性能。

衍生相关工作

MMOTU数据集的提出衍生了许多相关的研究工作。例如，DS2Net方法通过特征对齐和特征解耦技术，有效地解决了跨域分割问题，并在MMOTU数据集上取得了优异的性能。此外，研究者们还可以将MMOTU数据集应用于其他医学图像分割任务，如心脏分割、肝脏分割等，以探索无监督域自适应技术在其他领域的应用潜力。