BreastDivider

BreastDivider是第一个公开的大规模乳腺MRI数据集，包含超过13,000个3D MRI扫描，并带有明确的左右乳腺分割标签。该数据集为乳腺MRI分析提供了高质量、解剖学感知的工具基础，并提供了大规模预训练的机会。

BreastDivider is the first publicly available large-scale breast MRI dataset, encompassing over 13,000 3D MRI scans with explicit left and right breast segmentation labels. This dataset provides a high-quality, anatomically informed foundation for breast MRI analysis and offers the opportunity for large-scale pretraining.

原始信息汇总

BreastDivider: 大规模左右乳腺MRI分割数据集及模型

数据集概述

• 名称: BreastDivider
• 用途: 乳腺MRI的左右分割，支持乳腺癌检测、诊断和治疗规划
• 特点:
  • 首个公开的大规模左右乳腺分割标注数据集
  • 包含超过13,000个3D MRI扫描
  • 提供明确的左右乳腺分割标签

数据集内容

• 数据量: 13,000+ 3D MRI扫描
• 标注类型: 左右乳腺分割掩码
• 数据格式: 未明确说明（待发布）

模型信息

• 模型类型: nnU-Net
• 功能: 左右乳腺区域的识别与分割
• 部署方式: 提供Docker容器

发布状态

• 当前状态: 即将发布
• 待发布内容:
  • 完整的13k+ MRI扫描数据集
  • 预训练的nnU-Net模型
  • 用于简易部署的Docker容器

应用场景

• 单侧乳腺分类
• 乳腺切除术后分析
• 大规模预训练

搜集汇总

数据集介绍

构建方式

在乳腺医学影像分析领域，BreastDivider数据集的构建采用了严谨的临床数据采集流程。研究团队收集了超过13,000例三维MRI扫描数据，每例数据均由专业医师进行精确的左右乳腺区域标注。该数据集特别采用nnU-Net框架进行基准模型训练，通过深度学习技术实现解剖学意义上的精准分割。所有数据均经过严格的去标识化处理，确保符合医疗数据隐私标准。

使用方法

该数据集的使用遵循标准医学影像分析流程。研究人员可通过提供的Docker容器快速部署预训练模型，实现左右乳腺的自动化分割。对于定制化研究需求，原始标注数据支持各类深度学习框架的再训练。数据集采用分层存储结构，DICOM格式的原始影像与NIfTI格式的标注掩模一一对应，便于开展不同维度的分析研究。配套文档详细说明了数据加载、预处理和结果评估的具体规范。

背景与挑战

背景概述

乳腺磁共振成像（MRI）在乳腺癌检测、诊断和治疗规划中扮演着关键角色。然而，现有的大多数分割模型未能区分左右乳腺，这限制了它们在单侧分类或乳房切除术后分析等下游任务中的应用。2025年，由Maximilian Rokuss、Benjamin Hamm、Yannick Kirchhoff和Klaus Maier-Hein等研究人员组成的团队推出了BreastDivider数据集，这是首个公开的大规模带有明确左右乳腺分割标签的数据集，包含超过13,000个3D MRI扫描。该数据集不仅填补了相关领域的空白，还为开发高质量、解剖学感知的乳腺MRI分析工具奠定了基础，并为大规模预训练提供了机会。

当前挑战

BreastDivider数据集面临的挑战主要体现在两个方面。在领域问题方面，乳腺MRI分割任务本身具有较高的复杂性，尤其是在区分左右乳腺时，需要处理解剖结构的对称性和个体差异性，这对模型的精确性和鲁棒性提出了更高要求。在构建过程中，数据集的创建者需要克服大规模3D MRI扫描的标注难题，包括确保标注的一致性和准确性，同时处理数据隐私和安全问题。此外，如何将预训练的nnU-Net模型高效部署到临床环境中，也是实际应用中的一大挑战。

常用场景

经典使用场景

在医学影像分析领域，BreastDivider数据集为乳腺MRI的左右侧分割提供了标准化解决方案。该数据集通过标注超过13,000例3D MRI扫描的左右乳腺区域，成为开发精确分割算法的黄金基准。其典型应用场景包括放射科医师辅助诊断系统，其中自动化的左右乳腺区分能显著提升乳腺癌筛查的工作效率。

解决学术问题

该数据集有效解决了乳腺影像分析中长期存在的解剖结构区分难题。传统分割模型无法区分左右乳腺的问题，在单侧病灶分类、乳房切除术后评估等研究中形成技术瓶颈。通过提供大规模标注数据及配套的nnU-Net模型，研究者得以开发具有解剖学意识的智能分析工具，推动乳腺癌精准诊疗的算法革新。

实际应用

临床实践中，BreastDivider支持构建端到端的乳腺疾病分析流水线。其预训练模型可直接集成至医院PACS系统，实现批量MRI的自动左右侧分离。这种能力特别适用于乳腺癌筛查项目，能够减少放射科医师50%以上的手动标注时间，同时为单侧乳房假体植入等整形手术提供精准的解剖参考。

数据集最近研究

最新研究方向

在乳腺医学影像分析领域，左右乳腺的精确分割一直是技术难点，BreastDivider数据集的推出填补了这一空白。该数据集包含超过1.3万例3D MRI扫描，并首次提供了明确的左右乳腺分割标签，为乳腺癌症检测、诊断和治疗规划提供了更精细的分析基础。基于nnU-Net的预训练模型进一步提升了分割的准确性和鲁棒性，为单侧乳腺分类和乳房切除术后分析等下游任务奠定了技术基础。这一突破性进展不仅推动了乳腺影像分析工具的开发，也为大规模预训练模型的研究提供了宝贵资源。