UW Sinus Surgery Cadaver/Live (UW-Sinus-Surgery-C/L) Dataset

该数据集由华盛顿大学生物机器人实验室开发，包含来自外科医生执行的内窥镜鼻窦手术图像，并附有手动注释，用于外科器械分割任务。数据集特点是灵巧的尖端运动、狭窄的操作空间和近距离的镜头-物体距离。

This dataset was developed by the BioRobotics Laboratory at the University of Washington. It comprises images from endoscopic sinus surgeries performed by surgeons, accompanied by manual annotations for the task of surgical instrument segmentation. The dataset is characterized by dexterous tip movements, confined operational spaces, and close camera-object distances.

原始信息汇总

数据集概述

数据集名称

• UW Sinus Surgery Cadaver/Live (UW-Sinus-Surgery-C/L) Dataset

数据集来源

• 开发于University of Washingtons BioRobotics Lab。

数据集内容

• 包含来自endoscopic sinus surgeries的图像，用于surgical instrument segmentation任务。
• 分为两个子数据集：
  • Cadaver surgery dataset (UW-Sinus-Surgery-C)
  • Live surgery dataset (UW-Sinus-Surgery-L)
• 每个子数据集包含两个文件夹：
  • images: 包含endoscopic图像。
  • labels: 包含segmentation ground truths（0代表背景，1代表手术器械）。

数据集结构

• Cadaver数据集结构：

  |--- cadaver |---images |---labels

• Live数据集结构：

  |--- live |---images |---labels

图像命名规则

• Cadaver数据集：S[video_ID]_[frame_index]
• Live数据集：L[video_ID]_[frame_index]

实验设置

• 采用3-fold cross-validation评估图像分割性能。
• Cadaver数据集：
  • 折叠1: 1st~4th视频
  • 折叠2: 5th-7th视频
  • 折叠3: 8th-10th视频
• Live数据集：
  • 折叠1: 1st视频
  • 折叠2: 2nd视频
  • 折叠3: 3rd视频

联系方式

• 如有问题或建议，请联系[e-mail] 或 [e-mail]。

引用信息

• 若使用此数据集，请引用**[1]** 和 [2]。

搜集汇总

数据集介绍

构建方式

UW-Sinus-Surgery-C/L数据集由华盛顿大学生物机器人实验室开发，专为内窥镜鼻窦手术图像分割任务设计。该数据集通过采集外科医生进行的内窥镜鼻窦手术视频构建，手术过程具有精细的尖端运动、狭窄的操作空间以及镜头与物体距离近的特点。数据集分为尸体手术数据集（UW-Sinus-Surgery-C）和活体手术数据集（UW-Sinus-Surgery-L），每个数据集包含内窥镜图像和手动标注的分割标签，标签中0代表背景，1代表手术器械。

特点

UW-Sinus-Surgery-C/L数据集以其高质量的内窥镜图像和精确的手动标注著称，特别适用于手术器械分割任务。数据集包含尸体和活体手术两类子集，分别提供了不同手术环境下的图像数据，能够全面反映鼻窦手术的复杂性和多样性。此外，数据集采用3折交叉验证的实验设置，有效避免了数据分割带来的偏差，为算法性能评估提供了可靠的基础。

使用方法

使用UW-Sinus-Surgery-C/L数据集时，用户需按照数据集文件夹结构访问图像和标签数据。图像命名规则明确，便于识别视频来源和帧索引。若需复现文献中的实验，可通过指定联系人获取已按3折交叉验证组织的数据集。数据集的应用范围广泛，包括但不限于手术器械分割、手术技能评估以及内窥镜图像生成等研究领域。使用过程中，建议引用相关文献以支持研究的学术性和严谨性。

背景与挑战

背景概述

UW-Sinus-Surgery-C/L数据集由华盛顿大学生物机器人实验室开发，专注于鼻窦内窥镜手术中的图像分割任务。该数据集包含从鼻窦内窥镜手术视频中提取的图像，并提供了手动标注的手术器械分割标签。数据集分为两个子集：尸体手术数据集（UW-Sinus-Surgery-C）和活体手术数据集（UW-Sinus-Surgery-L）。这些数据集的创建旨在解决内窥镜手术中器械分割的复杂问题，尤其是在手术空间狭窄、镜头与物体距离近等挑战性环境下。该数据集的研究成果已在多个国际会议和期刊上发表，对推动内窥镜手术的自动化和智能化具有重要意义。

当前挑战

UW-Sinus-Surgery-C/L数据集在解决内窥镜手术器械分割问题时面临多重挑战。首先，内窥镜手术环境复杂，手术器械的形态多样且运动灵活，增加了图像分割的难度。其次，手术空间狭窄且镜头与物体距离近，导致图像中存在大量遮挡和模糊现象，进一步加大了分割任务的复杂性。在数据集构建过程中，研究人员需要从大量手术视频中提取高质量的图像，并进行精确的手动标注，这一过程耗时且容易受到人为误差的影响。此外，数据集的多样性和代表性也是构建过程中需要重点考虑的问题，以确保模型在不同手术场景下的泛化能力。

常用场景

经典使用场景

在医学影像分析领域，L) Dataset作为鼻窦手术内窥镜图像数据集，广泛应用于手术器械的自动分割任务。该数据集通过提供高分辨率的内窥镜图像及其手动标注，为研究人员开发精确的图像分割算法提供了重要支持。特别是在鼻窦手术中，由于手术空间狭窄、镜头与物体距离近，该数据集为研究复杂环境下的图像分割问题提供了独特的实验平台。

衍生相关工作

基于L) Dataset，研究人员开展了多项经典工作。例如，文献[1]提出了基于生成对抗网络的图像翻译模型LC-GAN，用于内窥镜图像的增强和分割。文献[2]则提出了多角度特征聚合和轮廓监督的方法，显著提升了手术器械分割的精度。此外，文献[3]和[4]利用该数据集开发了基于视频的鼻窦手术技能自动评估系统，为手术技能培训提供了新的技术手段。

数据集最近研究

最新研究方向

在鼻窦手术内窥镜图像数据集领域，最新的研究方向聚焦于通过深度学习技术提升手术器械的自动分割精度。随着内窥镜手术在微创手术中的广泛应用，精确的器械分割对于手术导航和自动化手术系统的开发至关重要。当前研究利用生成对抗网络（GAN）进行图像到图像的转换，以增强内窥镜图像的质量，进而提高分割模型的性能。此外，多角度特征聚合和轮廓监督方法被引入，以进一步优化分割结果，确保在复杂手术环境中的鲁棒性。这些技术的进步不仅推动了手术辅助系统的发展，也为手术技能的自动评估提供了新的可能性，具有重要的临床应用价值。