Medical Segmentation Decathlon (MSD) collection

COLosSAL是一个针对3D医学图像分割的冷启动主动学习基准，基于公开的医学分割十项全能（MSD）数据集构建。该数据集包含五项任务，涵盖CT和MRI两种常见3D图像模式，用于健康组织和肿瘤/病理的分割。数据集的创建过程涉及对未标记数据池的样本选择，旨在通过最小化标注样本数量来提高标注效率。COLosSAL的应用领域主要集中在医学图像分析，特别是3D医学图像的分割任务，旨在解决数据标注过程中的瓶颈问题，提高深度学习模型的训练效率。

COLosSAL is a cold-start active learning benchmark for 3D medical image segmentation, built upon the publicly available Medical Segmentation Decathlon (MSD) dataset. This benchmark includes five tasks, covering two common 3D imaging modalities: CT and MRI, which are designed for the segmentation of healthy tissues, tumors and pathologies. The construction of COLosSAL involves sample selection from the unlabeled data pool, aiming to improve annotation efficiency by minimizing the number of labeled samples. The primary application domains of COLosSAL focus on medical image analysis, especially 3D medical image segmentation tasks, and it is intended to address the bottleneck issues in the data annotation process and enhance the training efficiency of deep learning models.

搜集汇总

数据集介绍

构建方式

Medical Segmentation Decathlon (MSD) collection 数据集的构建基于公开可访问的标准化数据集，涵盖了两种常见的3D医学图像模态（CT和MRI），并包括多个器官和肿瘤的分割任务。具体选择了五个任务，分别是心脏、肝脏、海马体、胰腺和脾脏的分割任务，其中肝脏和胰腺任务还包括肿瘤分割。数据集被划分为训练集和验证集，用于开发和评估冷启动主动学习策略。

特点

MSD数据集的特点在于其广泛覆盖了不同器官和疾病状态的3D医学图像分割任务，提供了丰富的标注数据。此外，数据集的标准化处理和公开可访问性使其成为研究冷启动主动学习的理想基准。数据集的多样性和高质量标注为评估不同主动学习策略的有效性提供了坚实基础。

使用方法

MSD数据集可用于评估冷启动主动学习策略在3D医学图像分割任务中的表现。研究者可以通过选择不同的主动学习策略（如不确定性采样和多样性采样）来选择初始样本，并使用Dice相似系数和95% Hausdorff距离等指标评估分割性能。数据集的公开性和标准化处理使得研究结果具有可重复性和可比性，为未来的冷启动主动学习研究提供了重要参考。

背景与挑战

背景概述

医学图像分割是医学图像分析中的关键任务，近年来基于深度学习的方法在完全标注的数据集上展现了卓越的性能。然而，数据标注，尤其是三维医学图像的标注，是一个显著的瓶颈。Medical Segmentation Decathlon (MSD) 数据集由Vanderbilt大学等机构的研究人员创建，旨在为三维医学图像分割任务提供一个公共的、标准化的数据集。该数据集涵盖了CT和MRI两种常见的三维图像模态，并包括心脏、肝脏、海马体、胰腺和脾脏等多个器官的分割任务。MSD数据集的发布为研究冷启动主动学习（Cold-start Active Learning）在三维医学图像分割中的应用提供了重要的基准。

当前挑战

MSD数据集在构建过程中面临的主要挑战包括：1) 三维医学图像的密集标注需要高精度的体素级标注，这不仅耗时且成本高昂；2) 医学图像的标注通常需要专业医疗人员的参与，进一步增加了标注的难度和成本。此外，冷启动主动学习在三维医学图像分割中的应用也面临诸多挑战，如如何在无标注数据池中选择初始样本、如何在大预算和小预算情况下优化选择策略、以及如何利用局部感兴趣区域（ROI）进行有效选择等。这些挑战使得冷启动主动学习在三维医学图像分割中的应用仍是一个未完全解决的问题。

常用场景

经典使用场景

Medical Segmentation Decathlon (MSD) collection 数据集在医学图像分割领域中被广泛应用于深度学习模型的训练与验证。其经典使用场景包括对心脏、肝脏、海马体、胰腺和脾脏等器官的三维图像分割任务。这些任务涵盖了CT和MRI两种常见的医学图像模态，为研究者提供了丰富的数据资源，以评估和优化分割算法的性能。

衍生相关工作

基于 MSD 数据集，研究者们开发了多种冷启动主动学习策略，如 TypiClust、ProxyRank 等，这些策略在低预算和高预算场景下均表现出色。此外，该数据集还促进了多模态医学图像分割的研究，推动了不确定性采样和多样性采样等方法的发展。这些衍生工作不仅提升了医学图像分割的准确性，还为未来的主动学习研究提供了新的方向。

数据集最近研究

最新研究方向

近年来，医学图像分割领域的研究逐渐转向深度学习方法，然而数据标注的高成本和复杂性成为制约因素。在此背景下，冷启动主动学习（Cold-start Active Learning, AL）成为解决3D医学图像分割任务中数据标注瓶颈的前沿方向。COLosSAL基准通过评估六种冷启动AL策略在Medical Segmentation Decathlon (MSD)数据集上的表现，揭示了冷启动AL在3D医学图像分割中的潜力与挑战。研究表明，多样性采样策略在低预算和高预算场景下均表现出较强的鲁棒性，尤其是在处理复杂器官和肿瘤分割任务时。此外，该研究还探讨了预算大小和局部感兴趣区域（ROI）对冷启动AL策略的影响，发现多样性策略在更大预算下效果更佳，而局部ROI策略并未显著优于全局策略。COLosSAL的公开代码和基准结果为未来冷启动AL研究提供了重要参考，推动了该领域的发展。

相关研究论文

• COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical Image Segmentation

  范德堡大学 · 2023年