ATOM

ATOM数据集是由卡内基梅隆大学创建的，旨在通过深度学习解决多模态生物医学图像注册问题。该数据集包含从不同机构收集的3D医学体积数据，如脑部MRI图像和胸部CT等。通过随机选择不同视角的2D切片，ATOM确保了数据的真实性和多样性。数据集的创建过程自动化，无需手动标注，适用于训练智能医学图像注册代理。ATOM的应用领域包括提高疾病预测的准确性和理解非侵入性放射学研究的基础，从而推动医学图像处理和分析的发展。The ATOM dataset was developed by Carnegie Mellon University, designed to solve multimodal biomedical image registration tasks using deep learning. This dataset includes 3D medical volumetric data collected from diverse institutions, such as brain MRI scans and chest CT scans. By randomly selecting 2D slices from different viewpoints, ATOM ensures the authenticity and diversity of the dataset. The entire creation process of the dataset is fully automated without requiring manual annotation, making it suitable for training intelligent medical image registration AI Agents. The application domains of ATOM include enhancing the accuracy of disease prediction and elucidating the fundamental principles of non-invasive radiological research, thereby advancing the development of medical image processing and analysis.

搜集汇总

数据集介绍

构建方式

ATOM数据集的构建始于对来自不同公开来源的三维生物医学体数据的系统收集，涵盖脑磁共振成像、腹部计算机断层扫描、胸部CT及脑磁共振血管造影等多种模态。在获取三维体数据后，将其降采样至20×20×20的低分辨率以突出病理特征，随后从随机视角提取4×4的二维切片，模拟组织切片的多样性。为将配准问题转化为可解的机器学习任务，采用分层块分割策略：首先将三维体数据划分为10×10×10的高误差分辨率大块，再进一步细分为6×6×6的低误差分辨率小块，并记录每个二维切片所属的块标签。最终将三维体数据、二维切片及块标签配对，形成无需人工标注的多模态图像-位置对数据集。

使用方法

ATOM数据集的使用围绕多模态配准任务展开，用户可将三维体数据视为图像、二维切片视为查询，训练模型预测切片在三维体中的空间位置。数据集支持两种误差分辨率设置：高误差分辨率要求模型从27个大块中识别目标块，低误差分辨率则需从729个小块中精确定位。推荐采用基于深度模块化共注意力网络的RegisMCAN模型，该模型将二维切片编码为序列化补丁，三维体数据通过三维卷积嵌入为补丁序列，利用自注意力单元提取特征，并通过引导注意力单元建模跨模态关系。训练时采用非对称损失函数处理多标签分类中的正负样本不平衡问题，最终输出预测块的一热编码标签。数据集已公开代码和预处理流程，便于研究者复现和扩展。

背景与挑战

背景概述

ATOM数据集由卡内基梅隆大学、香港理工大学和匹兹堡大学等机构的研究人员于2024年创建，旨在解决组织切片与三维器官体积之间的多模态图像配准问题。该研究由Yifeng Wang等人主导，核心目标是将神经病理学与神经影像学发现相关联，从而揭示疾病状态的多尺度变化。ATOM通过将2D组织切片与3D器官体积配对，构建了首个用于生物医学图像配准的基准数据集，涵盖MRI、CT和MRA等多种模态。该数据集不仅推动了深度学习在医学图像配准领域的应用，还通过RegisMCAN模型展示了深度共注意力网络在预测组织切片精确位置方面的潜力，为生物医学社区提供了重要的研究工具和启示。

当前挑战

ATOM数据集面临的核心挑战包括：首先，组织切片与器官体积的配准问题本身极为复杂，2D切片仅能捕捉3D器官的一小部分特征，且切片可能从任意视角和位置随机提取，导致精准定位困难。其次，构建过程中需处理3D体积数据的高分辨率与GPU内存限制之间的矛盾，当前仅能生成低分辨率版本，与真实场景存在差距。此外，数据集依赖人工标注的缺失，采用自动化流程生成，但模拟的组织切片与真实组织在形态和特征上仍有差异。最后，模型在跨领域泛化性、输入质量依赖性以及内存消耗方面存在局限，高分辨率3D数据会导致计算资源急剧增长，限制了实际应用的可扩展性。

常用场景

经典使用场景

ATOM数据集的核心应用场景在于实现多模态生物医学图像配准，特别是将二维组织切片精准映射回三维器官体积中的原始位置。通过构建包含MRI、CT、MRA等多种模态的3D体积数据与随机视角提取的2D切片配对样本，该数据集将临床中组织-器官空间定位的复杂问题转化为可计算的深度学习任务，为跨尺度病理与影像关联研究提供了标准化基准。

解决学术问题

该数据集有效解决了传统组织学与影像学配准中因切片方向随机、组织变形及体积差异导致的定位困难问题。通过将配准精度分解为高/低误差分辨率的分块预测任务，ATOM使深度学习模型得以突破坐标回归的精度瓶颈，显著提升了跨模态特征对齐的可靠性，为揭示影像信号背后的病理学基础提供了方法论支撑。

实际应用

在实际临床场景中，ATOM可辅助病理学家将显微镜下的组织切片结果与MRI或CT影像精确对应，从而在非侵入性影像中定位病变区域的具体组织学特征。该能力对于阿尔茨海默症、多发性硬化及肝肿瘤等疾病的早期诊断至关重要，能够帮助医生通过影像信号推断组织病理状态，减少对侵入性活检的依赖。

数据集最近研究

最新研究方向

ATOM数据集聚焦于多模态生物医学图像配准的前沿挑战，旨在通过深度学习将二维组织切片精准映射回三维器官体积，解决病理学与影像学跨尺度关联的核心难题。该研究紧密结合阿尔茨海默病、肝肿瘤及骨折等临床热点，利用深度共注意力网络（RegisMCAN）模拟组织与器官的内在空间关系，显著提升配准精度。通过整合来自不同机构的MRI、CT及MRA数据，ATOM为智能医疗代理提供了首个端到端训练基准，推动无创影像诊断向精准化、自动化迈进，对疾病早期预测和个体化治疗具有深远意义。

相关研究论文

• From Tissue Plane to Organ World: A Benchmark Dataset for Multimodal Biomedical Image Registration using Deep Co-Attention Networks

  卡内基梅隆大学 · 2024年