MSWAL

MSWAL数据集是由上海人工智能实验室提出的一种腹部病变分割数据集，包含694个患者的191,417个CT切片。该数据集涵盖了7种常见腹部病变类型，包括胆结石、肾结石、肝肿瘤、肾肿瘤、胰腺癌、肝囊肿和肾囊肿。数据集以全标注的形式提供，保证了数据的完整性和标注质量，有助于提升深度学习模型在腹部病变分割任务中的性能。

The MSWAL dataset is an abdominal lesion segmentation dataset proposed by the Shanghai AI Laboratory. It comprises 191,417 CT slices from 694 patients, covering 7 common types of abdominal lesions including gallstones, kidney stones, liver tumors, kidney tumors, pancreatic cancer, liver cysts, and kidney cysts. The dataset is released in fully annotated form, ensuring data integrity and annotation quality, which contributes to enhancing the performance of deep learning models for abdominal lesion segmentation tasks.

搜集汇总

数据集介绍

构建方式

MSWAL数据集的构建基于694名患者的CT扫描数据，共计191,417张切片。这些数据来自不同性别和多种扫描阶段，确保了数据的多样性和广泛性。数据标注由经验丰富的临床医生使用3D Slicer软件进行半自动标注，确保每个病灶的边界精确无误。标注过程耗时11个月，每个CT体积平均需要1.1小时进行标注，0.3小时进行审核和讨论，确保了数据的高质量和一致性。

使用方法

MSWAL数据集可用于训练和评估深度学习模型，特别是针对腹部病灶的多类别分割任务。研究人员可以使用该数据集进行迁移学习实验，验证模型在不同数据集上的泛化能力。此外，MSWAL还提供了一个新的基准测试，用于评估现有算法的性能。通过结合Inception nnU-Net等先进模型，研究人员可以进一步提升病灶分割的精度和效率，推动腹部疾病诊断技术的发展。

背景与挑战

背景概述

MSWAL数据集是由上海人工智能实验室、利物浦大学、哥伦比亚大学等多家机构的研究人员于2025年提出的首个针对全腹部多类别病变的三维分割数据集。该数据集旨在解决腹部疾病诊断中深度学习模型因训练数据标注不足而导致的病变分割能力受限问题。MSWAL涵盖了694名患者的191,417张CT切片，标注了七种常见的腹部病变类型，包括胆结石、肾结石、肝肿瘤、肾肿瘤、胰腺癌、肝囊肿和肾囊肿。通过引入Inception nnU-Net这一新型分割框架，MSWAL在病变分割任务中展现了显著的鲁棒性和泛化能力，为腹部疾病的精准诊断提供了重要支持。

当前挑战

MSWAL数据集在构建和应用过程中面临多重挑战。首先，腹部病变的多样性和复杂性使得多类别分割任务尤为困难，尤其是肾脏病变（如肾结石、肾肿瘤和肾囊肿）的共存增加了模型的学习难度。其次，数据集中存在显著的类别不平衡问题，例如肾囊肿的实例数量远多于肾结石和肾肿瘤，这可能导致模型对少数类别的学习不足。此外，数据标注的高成本和时间消耗也是构建大规模高质量数据集的主要障碍，MSWAL的标注过程耗时11个月，每例数据平均需要1.1小时进行标注和0.3小时进行复核。这些挑战不仅影响了模型的训练效率，也对算法的泛化能力提出了更高要求。

常用场景

经典使用场景

MSWAL数据集在医学影像分析领域中被广泛用于腹部多类病变的三维分割任务。其经典使用场景包括通过深度学习模型对CT扫描图像中的多种腹部病变进行精确分割，如胆结石、肾结石、肝肿瘤、肾肿瘤、胰腺癌、肝囊肿和肾囊肿等。该数据集的高分辨率和多样化的病变类型使其成为训练和评估分割算法的理想选择，尤其是在多器官病变同时存在的复杂场景中。

解决学术问题

MSWAL数据集解决了现有腹部病变分割数据集中常见的标注不完整和单一器官病变标注的问题。通过提供全腹部多类病变的精细标注，该数据集显著提升了深度学习模型在腹部病变分割任务中的性能。实验表明，基于MSWAL训练的模型在肝肿瘤和肾肿瘤分割任务中的Dice相似系数（DSC）分别提高了3.00%和0.89%，证明了其在跨数据集迁移学习中的强大泛化能力。

实际应用

在实际应用中，MSWAL数据集为临床医生提供了更准确的病变定位和分类工具，显著提高了腹部疾病的诊断效率和准确性。通过结合Inception nnU-Net等先进分割框架，该数据集能够帮助医生快速识别和区分多种腹部病变，减少漏诊和误诊的风险。此外，MSWAL还为医学影像分析软件的开发提供了高质量的训练数据，推动了自动化诊断系统的发展。

数据集最近研究

最新研究方向

随着腹部疾病发病率的显著上升，深度学习在医学影像分割领域的应用日益广泛。MSWAL数据集作为首个涵盖全腹部多类病变的三维分割数据集，填补了现有数据集在病变类型覆盖和标注完整性上的空白。该数据集不仅包含胆囊结石、肾结石、肝肿瘤、肾肿瘤、胰腺癌、肝囊肿和肾囊肿等七种常见病变的精细标注，还通过694名患者的CT扫描数据（191,417张切片）展示了其强大的鲁棒性和泛化能力。最新研究聚焦于基于MSWAL的迁移学习实验，结果表明其在肝脏和肾脏肿瘤分割任务中的Dice相似系数（DSC）分别提升了3.00%和0.89%，显著提高了模型在不同临床场景下的适应性。此外，研究者提出的Inception nnU-Net框架通过整合Inception模块与nnU-Net架构，进一步提升了病变分割的精度，尤其在区域级F1得分上表现出色。MSWAL的发布为腹部病变的自动化诊断提供了重要支持，推动了医学影像分析领域的前沿发展。

相关研究论文

• MSWAL: 3D Multi-class Segmentation of Whole Abdominal Lesions Dataset

  上海人工智能实验室 · 2025年