MOTS

MOTS是一个大规模的医学图像分割数据集，由西北工业大学和阿德莱德大学合作创建。该数据集包含1155个3D腹部CT扫描，用于训练和测试多器官和肿瘤分割模型。数据集的创建旨在解决医学图像分析中部分标注的问题，特别是在3D图像中标注多个器官和肿瘤的挑战。MOTS数据集的应用领域包括计算机辅助诊断、手术规划和3D重建等，旨在提高医疗图像处理的准确性和效率。

MOTS is a large-scale medical image segmentation dataset co-developed by Northwestern Polytechnical University and the University of Adelaide. It comprises 1155 3D abdominal CT scans, which are utilized for training and evaluating multi-organ and tumor segmentation models. The dataset was created to address the issue of partial annotation in medical image analysis, specifically the challenge of annotating multiple organs and tumors in 3D images. Its application scenarios cover computer-aided diagnosis, surgical planning, 3D reconstruction and other related fields, aiming to improve the accuracy and efficiency of medical image processing.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，由于三维医学图像体素级标注的高昂成本，现有数据集往往仅针对单一器官或肿瘤进行标注，形成了部分标注的挑战。为应对这一难题，MOTS数据集应运而生，它整合了多个公开的医学影像分割基准，包括LiTS、KiTS及Medical Segmentation Decathlon等。通过精心筛选与重组，MOTS构建了七个部分标注的子数据集，涵盖肝脏、肾脏、肝血管、胰腺、结肠、肺及脾脏等器官及其相关肿瘤的分割任务。总计包含1155例三维腹部CT扫描，其中920例用于训练，235例用于测试，每例扫描均经过重采样至统一体素尺寸，确保了数据的一致性与可比性。

特点

MOTS数据集的核心特征在于其部分标注的独特性质，每个子数据集仅包含特定器官及其肿瘤的精确标注，而其他无关结构则视为背景。这种设计模拟了实际医学标注中资源有限的现实场景，为研究如何在部分监督下学习多器官与肿瘤的表示提供了理想平台。数据集的规模较大，覆盖了多样化的临床站点与病例，增强了其代表性与泛化能力。此外，MOTS明确区分器官与肿瘤的标注，支持二元分割任务，为算法开发提供了清晰的评估框架。这些特点使得MOTS成为推动多器官与肿瘤分割技术发展的关键资源。

使用方法

MOTS数据集主要用于训练与评估能够处理部分标注问题的分割模型，如动态按需网络（DoDNet）。在使用时，研究者可将七个部分标注子数据集联合训练单一网络，通过任务编码模块将当前分割任务的信息作为先验输入，动态生成卷积核以适应不同任务。训练过程中，模型仅针对可用标注计算损失，忽略未标注目标，从而有效利用部分监督信息。在推理阶段，模型能根据指定任务灵活生成对应核函数，依次高效分割多个器官与肿瘤。此外，MOTS还可作为预训练数据集，将其权重迁移至标注有限的下游任务（如BCV多器官分割），以提升模型性能与收敛速度，彰显其在医学影像分析中的实用价值。

背景与挑战

背景概述

在医学影像分析领域，腹部器官与肿瘤的自动化分割是计算机辅助诊断的关键基础任务，然而三维医学影像的体素级标注需要高昂的人力与专业知识成本，导致多数基准数据集仅针对单一器官或肿瘤进行标注，形成部分标注问题。为应对这一挑战，西北工业大学与阿德莱德大学的研究团队于2020年创建了MOTS数据集，该数据集整合了LiTS、KiTS及Medical Segmentation Decathlon等多个公开基准，涵盖肝脏、肾脏、胰腺、脾脏等多个器官及其相关肿瘤的CT影像，共包含1155例三维腹部CT扫描。MOTS的构建旨在推动多器官与肿瘤联合分割方法的研究，通过部分标注数据的有效利用，提升模型在有限标注条件下的泛化能力，并为下游任务提供高质量的预训练模型，对医学影像分割领域的发展具有重要影响。

当前挑战

MOTS数据集致力于解决部分标注条件下的多器官与肿瘤分割问题，其核心挑战在于如何从多个仅标注单一器官或肿瘤的数据集中学习统一且鲁棒的分割表示，避免因标注缺失导致的模型偏差。在构建过程中，研究团队面临数据异构性挑战，包括不同来源CT扫描的采集协议、分辨率及对比度差异，需通过统一的预处理流程实现数据标准化。此外，部分标注数据集的整合要求设计高效的训练策略，以处理标注不一致性与类别不平衡问题，确保模型能够同时适应多种分割任务，并在有限标注条件下保持高精度与泛化性能。

常用场景

经典使用场景

在医学影像分析领域，腹部器官与肿瘤的精准分割是计算机辅助诊断的关键环节。MOTS数据集通过整合多个部分标注的医学影像基准，构建了一个大规模的多器官与肿瘤分割数据集，其经典使用场景在于支持动态按需网络（DoDNet）等先进模型进行训练与评估。这些模型能够利用部分标注数据，高效学习多个器官与肿瘤的表示，从而在单一网络中实现多任务分割，显著提升了在有限标注资源下的模型泛化能力与分割精度。

实际应用

在实际医疗场景中，MOTS数据集的应用主要体现在辅助临床诊断与治疗规划。例如，在腹部CT扫描中，该数据集支持的模型能够同时分割肝脏、肾脏、胰腺等多个器官及其相关肿瘤，为病灶轮廓勾画、手术路径规划与三维重建提供精准的解剖结构信息。此外，其预训练权重可迁移至标注稀缺的下游任务，如多器官分割挑战赛数据集，显著提升小样本场景下的分割效果，助力医疗社区在资源受限环境中实现自动化影像分析。

衍生相关工作

基于MOTS数据集，研究者们衍生了一系列经典工作，进一步拓展了部分标注分割的边界。例如，动态滤波学习被应用于条件参数化卷积，以增强网络表示能力；任务编码策略在多头网络中被改进，以降低计算复杂度。此外，该数据集促进了迁移学习在医学影像中的实践，如将预训练模型应用于BCV多器官分割任务，实现了最先进的性能。这些工作不仅深化了对部分标注问题的理解，也为跨模态融合与实例分割等方向提供了借鉴。