심초음파 데이터셋

使用Apical 2 chamber(A2C) & Apical 4 chamber(A4C) view 图像进行左心室分割的深度学习模型开发

采用Apical 2 chamber（A2C）与Apical 4 chamber（A4C）视角的图像，开发用于左心室分割的深度学习模型。

原始信息汇总

数据集概述

任务描述

• 利用心脏超声数据集开发左心室分割AI模型。
• 使用Apical 2 chamber(A2C)和Apical 4 chamber(A4C)视图图像进行左心室分割的深度学习模型开发。

关键技术点

1. 预训练
   • 基础模型预训练于A2C和A4C视图。
   • 针对目标任务（A2C或A4C）进行微调。
2. 模型架构
   • Unet：预训练于2D脑部MRI分割。
   • Caranet：在Kvasir数据集上达到SOTA。
3. 模型集成
   • 最佳4个模型的集成（2个Unet，2个Caranet）。
4. 测试时间增强
   • 使用增强图像进行测试预测。

数据集结构

• 数据目录结构如下： bash ├── data │ ├── train │ │ ├── A2C │ │ └── A4C │ ├── validation │ │ ├── A2C │ │ └── A4C │ └── test (预期) │ └── A2C │ └── A4C ├── models │ ├── A2C_caranet_1.pt │ ├── A2C_caranet_2.pt │ ├── A2C_unet_1.pt │ ├── A2C_unet_2.pt │ ├── A4C_caranet_1.pt │ ├── A4C_caranet_2.pt │ ├── A4C_unet_1.pt │ └── A4C_unet_2.pt

使用指南

• 训练 bash bash train.sh

• 评估

  • 对于A2C任务 bash python final_test.py --data_path "data/validation" --data_type "A2C"

  • 对于A4C任务 bash python final_test.py --data_path "data/validation" --data_type "A4C"

• 测试预测

  • 对于A2C任务 bash python test_predict_mask.py --data_path "data/test" --data_type "A2C"

  • 对于A4C任务 bash python test_predict_mask.py --data_path "data/test" --data_type "A4C"

搜集汇总

数据集介绍

构建方式

该数据集构建于2021年韩国心脏疾病AI数据马拉松（HEART DISEASE AI DATATHON 2021）的背景下，旨在通过深度学习模型对心脏超声图像中的左心室区域进行分割。数据集主要包含Apical 2 chamber (A2C) 和 Apical 4 chamber (A4C) 视图的超声图像，这些图像经过专业医学标注，用于训练和验证左心室分割模型。数据集的构建过程遵循严格的医学影像处理标准，确保数据的准确性和可靠性。

特点

该数据集的特点在于其专注于心脏超声图像中的左心室分割任务，提供了A2C和A4C两种视图的图像数据。数据集中的图像经过预处理和标注，适合用于深度学习模型的训练和验证。此外，数据集的构建还考虑了模型的预训练和微调需求，提供了多种预训练模型架构（如Unet和Caranet）以及测试时数据增强（Test Time Augmentation）的支持，以提升模型的泛化能力和分割精度。

使用方法

使用该数据集时，首先需要配置数据路径和模型路径，确保数据文件和模型文件分别存放在指定的文件夹中。通过运行`train.sh`脚本进行模型训练，训练过程中可以选择不同的模型架构（如Unet或Caranet）进行预训练和微调。在评估阶段，使用`final_test.py`脚本对验证集数据进行测试，并根据任务类型（A2C或A4C）选择相应的数据路径和模型。最后，通过`test_predict_mask.py`脚本对测试集数据进行预测，生成左心室分割结果。整个使用流程简洁明了，便于研究人员快速上手并进行实验。

背景与挑战

背景概述

심초음파 데이터셋은 2021년 과학기술정보통신부와 한국지능정보사회진흥원의 주최로 서울대학교병원과 연세대학교 산학협력단이 주관한 HEART DISEASE AI DATATHON 2021에서 공개된 데이터셋이다. 이 데이터셋은 심장 초음파 영상 중 Apical 2 chamber (A2C)와 Apical 4 chamber (A4C) 뷰를 활용하여 좌심실 영역을 분할하는 AI 모델 개발을 목표로 한다. 심장 질환의 조기 진단 및 치료에 중요한 역할을 하는 좌심실 분할은 심초음파 영상 분석의 핵심 과제 중 하나로, 이 데이터셋은 심장 질환 연구 및 임상 응용에 중요한 기여를 하고 있다.

当前挑战

심초음파 데이터셋은 심장 초음파 영상의 좌심실 분할 문제를 해결하기 위해 설계되었으나, 이 과정에서 여러 도전 과제가 존재한다. 첫째, 심초음파 영상은 노이즈가 많고 해상도가 낮아 정확한 분할이 어렵다. 둘째, A2C와 A4C 뷰 간의 해부학적 차이로 인해 모델의 일반화 성능이 제한될 수 있다. 데이터셋 구축 과정에서는 다양한 환자군의 데이터를 수집하고 정제하는 데 많은 시간과 노력이 소요되었으며, 특히 의료 데이터의 민감성으로 인해 데이터 공유 및 활용에 제약이 있었다. 이러한 도전 과제들은 심초음파 영상 분석 분야의 발전을 위해 해결해야 할 중요한 문제로 남아 있다.

常用场景

经典使用场景

심초음파 데이터셋은 주로 심장 초음파 영상에서 좌심실 영역을 분할하는 AI 모델 개발에 활용됩니다. 특히, Apical 2 chamber (A2C)와 Apical 4 chamber (A4C) 뷰의 이미지를 사용하여 딥러닝 모델을 학습시키는 데 중점을 두고 있습니다. 이러한 모델은 심장 질환의 조기 진단 및 치료 계획 수립에 중요한 역할을 합니다.

衍生相关工作

이 데이터셋을 기반으로 한 연구들은 다양한 딥러닝 아키텍처와 앙상블 기법을 적용하여 성능을 극대화하는 방향으로 발전하고 있습니다. 특히, Unet과 Caranet과 같은 모델을 활용한 연구들이 주목받고 있으며, 이러한 연구들은 심장 초음파 영상 분할 분야의 기술 발전을 이끌고 있습니다.

数据集最近研究

最新研究方向

近年来，随着深度学习技术在医学影像分析领域的广泛应用，심초음파 데이터셋在心脏疾病诊断中的研究逐渐成为热点。该数据集主要用于左心室区域的分割任务，特别是通过Apical 2 chamber (A2C) 和 Apical 4 chamber (A4C) 视图进行深度学习模型的开发。最新的研究方向集中在预训练模型的优化、架构选择以及模型集成策略上。例如，研究人员采用了Unet和Caranet等先进的神经网络架构，并结合测试时间增强技术（Test Time Augmentation）来提高模型的分割精度。这些研究不仅推动了心脏影像分析的自动化进程，还为临床诊断提供了更为精准的工具，具有重要的医学应用价值。