Awesome-Medical-Image-Segmentation-Dataset

这是一个公开可用的医学图像分割数据集合集，主要收录了来自MICCAI、ISBI等国际会议和挑战赛的医学图像分割数据集，涵盖脑肿瘤、腹部器官、心脏、血管、牙齿等多个解剖部位的图像分割任务。合集以列表形式组织，提供了每个数据集的名称和链接，便于研究人员查找和使用。

This is a publicly available collection of medical image segmentation datasets, mainly consisting of datasets from international conferences and challenges such as MICCAI and ISBI. It covers image segmentation tasks for multiple anatomical regions including brain tumors, abdominal organs, heart, blood vessels, teeth and others. The collection is organized in a list format, providing the names and access links of each dataset to facilitate researchers' search, access and utilization.

原始信息汇总

数据集总结

该数据集详情页面汇总了公开可用的医学图像分割数据集，主要分为两大类别：挑战赛数据集和按兴趣区域划分的数据集。

一、挑战赛数据集

按年份和会议组织，涵盖 MICCAI、ISBI 和 Kaggle 等多个渠道：

MICCAI 2023

• FeTS 2022：联邦肿瘤分割挑战赛。链接：https://fets-ai.github.io/Challenge/
• ISLES 2022：缺血性卒中病灶分割挑战赛，涵盖急性、亚急性和慢性卒中梗死分割。链接：http://www.isles-challenge.org/
• LAScarQS 2022：左心房及瘢痕量化与分割挑战赛。链接：https://zmiclab.github.io/projects/lascarqs22/
• Curious 2022：术中超声脑移位分割任务。链接：https://curious2022.grand-challenge.org/
• AMOS 2022：多模态腹部多器官分割挑战赛。链接：https://amos22.grand-challenge.org/Home/
• PARSE 2022：肺动脉分割挑战赛。链接：https://parse2022.grand-challenge.org/

ISBI 2023

• APIS：配对CT-MRI缺血性卒中分割数据集。链接：https://bivl2ab.uis.edu.co/challenges/apis
• XPRESS：X射线投影组学重建——骨骼提取分割。链接：https://xpress.grand-challenge.org/
• SMILE-UHURA：超高分辨率7T磁共振血管造影小血管分割。链接：https://www.soumick.com/en/uhura/
• SHINY-ICARUS：三维旋转血管造影颈内动脉瘤分割。链接：https://www.synapse.org/shiny_icarus

MICCAI 2022

• CSEG 2022：多域跨时间点婴儿小脑MRI分割。链接：https://tarheels.live/cseg2022/
• HECKTOR：PET/CT头颈部肿瘤分割挑战赛。链接：https://hecktor.grand-challenge.org/
• FLARE 2022：快速低资源半监督腹部器官CT分割。链接：https://flare22.grand-challenge.org/
• 3D TeethSeg：3D牙齿扫描分割与标注挑战赛。链接：https://3dteethseg.grand-challenge.org/
• COSMOS 2022：颈动脉管壁分割与动脉粥样硬化诊断挑战赛。链接：https://vessel-wall-segmentation-2022.grand-challenge.o
• NCCT颅内出血分割挑战赛：非增强CT颅内出血分割。链接：https://instance.grand-challenge.org/
• AutoPET：全身FDG-PET/CT自动肿瘤病灶分割。链接：https://autopet.grand-challenge.org/

ISBI 2022

• CoNIC：结肠细胞核识别与计数挑战赛。链接：https://conic-challenge.grand-challenge.org/

MICCAI 2021

• KiTS21：肾脏和肾脏肿瘤分割挑战赛。链接：https://kits21.kits-challenge.org/
• FLARE21：快速低GPU内存腹部器官分割。链接：https://flare.grand-challenge.org/
• FeTS：联邦肿瘤分割。链接：https://www.med.upenn.edu/cbica/fets/
• FeTA：胎儿脑组织标注和分割挑战赛。链接：https://feta-2021.grand-challenge.org/
• HECKTOR：PET/CT头颈部肿瘤分割和结局预测。链接：https://www.aicrowd.com/challenges/miccai-2021-hecktor
• M&Ms-2：多疾病、多视角、多中心心脏MRI右心室分割。链接：https://www.ub.edu/mnms-2/
• BraTS2021：脑肿瘤分割挑战赛。链接：https://www.med.upenn.edu/cbica/brats2021/
• FU-Seg：足溃疡分割挑战赛。链接：https://fusc.grand-challenge.org/
• VWS：颈动脉管壁分割挑战赛。链接：https://vessel-wall-segmentation.grand-challenge.or

ISBI 2021

• SegPC-2021：显微镜图像中多发性骨髓瘤浆细胞分割。链接：https://segpc-2021.grand-challenge.org/SegPC-2021/
• 6th ISBI Cell Tracking Challenge：细胞追踪挑战赛。链接：http://celltrackingchallenge.net/?

MICCAI 2020

• BraTS2020：多模态脑肿瘤分割挑战赛。链接：https://www.med.upenn.edu/cbica/brats2020/data.html
• HECKTOR 2020：PET/CT 3D头颈部肿瘤分割。链接：https://www.aicrowd.com/challenges/miccai-2020-hecktor
• ABCS：解剖学脑屏障到癌症扩散分割。链接：https://abcs.mgh.harvard.edu/
• ASOCA：冠状动脉自动分割。链接：https://asoca.grand-challenge.org/
• VERSE2020：大规模椎骨分割挑战赛。链接：https://verse2020.grand-challenge.org/
• 颅内动脉瘤检测与分割挑战赛。链接：https://adam.isi.uu.nl/
• M&Ms：多中心、多供应商、多疾病心脏图像分割挑战赛。链接：https://www.ub.edu/mnms/
• TN-SCUI2020：超声图像甲状腺结节分割与分类。链接：https://tn-scui2020.grand-challenge.org/Home/
• MyoPS 2020：多序列CMR心肌病理分割。链接：http://www.sdspeople.fudan.edu.cn/zhuangxiahai/0/MyoPS20/

ISBI 2019

• SegTHOR：CT图像胸部危及器官分割。链接：https://competitions.codalab.org/competitions/21145

MICCAI 2018

• ISIC Skin Image Analysis Workshop and Challenge：皮肤图像分析挑战赛。链接：https://workshop2018.isic-archive.com/

MICCAI 2017

• ACDC：自动心脏诊断挑战赛。链接：https://www.creatis.insa-lyon.fr/Challenge/acdc/databases.html

MICCAI 2015

• BRATS 2015：脑肿瘤图像分割挑战赛。链接：https://www.smir.ch/BRATS/Start2015

MICCAI 2014

• Computational Challenges on Spine and Vertebrae Segmentation：脊柱和椎骨分割计算挑战赛。链接：http://csi-workshop.weebly.com/challenges.html

MICCAI 2012

• PROMISE12：前列腺MRI分割算法评估。链接：https://promise12.grand-challenge.org/

Kaggle 竞赛数据集

• Brain MRI segmentation：脑MRI分割。链接：https://www.kaggle.com/datasets/mateuszbuda/lgg-mri-segmentation
• Ultrasound Nerve Segmentation：超声神经分割。链接：https://www.kaggle.com/competitions/ultrasound-nerve-segmentation
• SIIM-ACR Pneumothorax Segmentation：气胸分割。链接：https://www.kaggle.com/competitions/siim-acr-pneumothorax-segmentation
• Vessel Segmentation：血管分割。链接：https://www.kaggle.com/competitions/sai-vessel-segmentation2
• COVID-19 CT Images Segmentation：COVID-19 CT图像分割。链接：https://www.kaggle.com/competitions/covid-segmentation
• HuBMAP Kidney Segmentation：人类肾脏组织图像肾小球识别。链接：https://www.kaggle.com/competitions/hubmap-kidney-segmentation

二、按兴趣区域划分的数据集

细胞

• PanNuke：开放泛癌组织学数据集，用于细胞核实例分割和分类。链接：https://warwick.ac.uk/fac/cross_fac/tia/data/pannuke
• Micro-Net：荧光细胞分割数据集。链接：https://warwick.ac.uk/fac/cross_fac/tia/data/micronet
• HoVer-Net：多组织学图像细胞核同步分割和分类。链接：https://warwick.ac.uk/fac/cross_fac/tia/data/hovernet/

腹部器官

• WORD：大规模腹部器官CT分割数据集，适用于临床。链接：https://github.com/hilab-git/word
• AbdomenCT-1K：腹部器官CT分割基准数据集。链接：https://github.com/JunMa11/AbdomenCT-1K

皮肤病变

• HAM10000：皮肤镜图像数据集。链接：https://github.com/ptschandl/HAM10000_dataset

眼部

• Fluorescein Angiography Dataset：糖尿病黄斑水肿眼荧光血管造影（视频和延迟图像）数据集。链接：https://people.duke.edu/~sf59/Rabbani_IOVS_2014_dataset.htm
• CHASE DB1：视网膜成像数据集。链接：https://blogs.kingston.ac.uk/retinal/chasedb1/
• RITE：视网膜图像血管树提取数据集。链接：https://medicine.uiowa.edu/eye/rite-dataset
• ROSE：视网膜OCTA分割数据集。链接：https://imed.nimte.ac.cn/dataofrose.html

脊柱

• IVDM3Seg：3D多模态MR图像椎间盘定位和分割数据集。链接：http://spineweb.digitalimaginggroup.ca/Index.php?n=Main.Datasets#Dataset_14
• xVertSeg：骨折椎骨分割和分类数据集。链接：http://lit.fe.uni-lj.si/xVertSeg/
• 3D T2-weighted Turbo Spin Echo MR Image Database：椎间盘定位和分割数据集。链接：http://spineweb.digitalimaginggroup.ca/Index.php?n=Main.Datasets#Dataset_7
• Multi-modality MRI Spine Image Database：多模态MRI椎间盘定位和分割数据集。链接：http://spineweb.digitalimaginggroup.ca/Index.php?n=Main.Datasets#Dataset_6
• Lumbar vertebra segmentation CT image database：腰椎椎体CT分割数据集。链接：http://lit.fe.uni-lj.si/

肾脏

• KiTS21：2021年肾脏和肾脏肿瘤分割挑战赛数据集。链接：https://kits21.kits-challenge.org/

其他

• Medical Segmentation Decathlon：医学分割十项全能数据集。链接：http://medicaldecathlon.com/
• PAXRay：X射线数据中解剖结构分割的投影数据集。链接：https://constantinseibold.github.io/paxray/
• Medulloblastoma/PNET Annotations：化疗和放疗注释数据集。链接：https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=119703167

搜集汇总

数据集介绍

构建方式

该数据集汇聚了来自国际顶级医学影像挑战赛及公开数据源的海量分割标注数据。其构建过程系统性地梳理了MICCAI、ISBI等会议历年竞赛（如BraTS、KiTS、FeTS）以及Kaggle平台上的相关任务，同时整合了针对特定解剖区域（如细胞、腹部器官、皮肤病变、眼底、脊柱等）的专用数据集。通过整理每个数据集的官方链接、任务描述与公开获取方式，形成了一个层次分明、覆盖面广的医学图像分割资源索引体系。

特点

该数据集具有高度的权威性与时效性，收录了2012年至2023年间最具代表性的医学图像分割挑战赛数据，涵盖脑肿瘤、心脏、肾脏、肺部、脊柱及细胞核等多种器官与病理结构。其特色在于按时间线、竞赛来源及解剖部位进行多维度分类，便于研究者快速定位特定领域的高质量标注数据。此外，每个条目均提供官方获取渠道，确保了数据的可追溯性与使用合法性。

使用方法

用户可根据研究需求，通过数据集提供的官方链接直接访问并下载对应挑战赛或公开数据集的原始图像与分割标签。例如，进行脑肿瘤分割研究可选用BraTS系列数据，而腹部多器官分割则可参考WORD或AbdomenCT-1K。数据集以索引列表形式呈现，支持按年份、竞赛名称或解剖区域筛选，便于快速定位。使用时需遵守各数据集的许可协议，并引用相应挑战赛的官方文献。

背景与挑战

背景概述

医学图像分割是计算医学影像分析领域的核心任务之一，旨在从CT、MRI、超声等模态中精准勾勒出器官、病灶或组织的边界，为疾病诊断、手术规划及疗效评估提供定量依据。Awesome-Medical-Image-Segmentation-Dataset项目由国际医学影像计算与计算机辅助干预领域的学者共同维护，系统梳理了自2012年以来MICCAI、ISBI等顶级会议挑战赛及Kaggle竞赛中发布的公开数据集。这些数据集覆盖了脑肿瘤、心脏、腹部多器官、脊柱、视网膜血管及细胞核等丰富解剖结构，推动了从传统算法到深度学习模型的跨越式发展。其影响力体现在标准化评估基准的建立上，例如BraTS系列挑战赛已成为脑肿瘤分割的黄金标准，而Medical Segmentation Decathlon则促进了跨任务泛化能力的探索，加速了临床可部署模型的研发进程。

当前挑战

当前医学图像分割面临的核心挑战在于数据异质性与标注稀缺性的双重困境。首先，不同采集设备、成像协议及患者群体导致图像灰度分布、分辨率和噪声模式差异显著，使得模型在跨中心场景下性能急剧下降，例如腹部器官分割在CT与MRI间的领域偏移问题尚未被根本解决。其次，构建高质量像素级标注需耗费大量专业医师时间，且对于边界模糊的病变（如早期脑卒中病灶）或结构复杂的器官（如椎骨），标注一致性难以保证，这限制了大规模数据集的构建。此外，现有挑战赛多聚焦于单一器官或疾病，缺乏对多病种、多模态联合分割的全面覆盖，而真实临床场景常需同时处理多个解剖目标，这要求算法在标签空间复杂化时仍保持鲁棒性与计算效率，构成了从算法设计到临床落地的关键瓶颈。

常用场景

经典使用场景

在医学图像分析领域，该数据集集合了来自MICCAI、ISBI等顶级挑战赛的公开分割数据集，广泛用于训练和评估深度学习模型在脑肿瘤、腹部器官、心脏结构、视网膜血管等区域的像素级分割性能。研究者常利用其丰富的多模态数据（CT、MRI、PET等）验证U-Net、Transformer等架构的泛化能力，成为医学图像分割基准测试的核心资源。

衍生相关工作

基于该数据集，学界衍生出大量经典工作，如nnU-Net自适应框架、Swin-UNet混合架构及BraTS系列挑战的优胜算法。这些工作不仅优化了分割性能，还催生了跨器官迁移学习、不确定性估计等新范式，进一步丰富了医学影像分析的理论体系与技术工具链。

数据集最近研究

最新研究方向

在医学影像分析领域，图像分割是精准诊疗的基石，而公开数据集的构建与迭代正推动这一技术迈向临床实用化。当前前沿研究聚焦于多模态、多器官及病灶的协同分割，例如MICCAI 2023挑战赛中的FeTS（联邦肿瘤分割）与ISLES（缺血性卒中病灶分割），不仅引入联邦学习以保护数据隐私，还针对急性至慢性卒中病变的时序演变设计分割模型，回应了真实临床中数据孤岛与病变异质性并存的痛点。同时，LAScarQS（左心房瘢痕量化分割）与AMOS（腹部多器官分割）等项目通过整合CT、MRI等多模态影像，探索跨模态特征对齐与弱监督学习策略，显著提升模型在复杂解剖结构上的泛化能力。这些数据集驱动的竞赛催生了诸如Transformer-UNet、掩膜自编码器等创新架构，其成果已辐射至脑肿瘤、心脏及脊柱等细分场景，加速了从实验室基准到辅助诊断系统的转化，对降低人工标注成本、推动精准医疗普惠具有深远意义。