ColonCancerHSI

ColonCancerHSI数据集由鲁德·博斯科维奇研究所创建，包含27张高光谱图像，这些图像来自14名患有结肠腺癌并转移到肝脏的患者。数据集的图像在450至800 nm的波长范围内采集，分辨率为1 nm，图像大小为1384×1035像素。数据集的创建过程包括由三位病理学家进行的像素级标注，旨在验证术中肿瘤切除的像素级分类。该数据集主要应用于计算病理学领域，旨在解决术中肿瘤边界难以识别的问题，提高肿瘤切除的准确性。The ColonCancerHSI dataset was developed by the Ruđer Bošković Institute. It contains 27 hyperspectral images sourced from 14 patients diagnosed with colon adenocarcinoma and liver metastasis. The images were acquired within the wavelength range of 450 to 800 nm, with a spectral resolution of 1 nm, and each image has a size of 1384 × 1035 pixels. The dataset construction included pixel-level annotations performed by three pathologists, aiming to validate pixel-level classification for intraoperative tumor resection. This dataset is primarily applied in the field of computational pathology, targeting the challenge of difficult intraoperative tumor boundary identification and improving the accuracy of tumor resection.

搜集汇总

数据集介绍

构建方式

ColonCancerHSI数据集由27张高光谱图像（HSI）组成，这些图像来源于14名患有肝转移性结肠腺癌的患者。这些图像是在手术过程中采集的，覆盖了450至800纳米的波长范围，分辨率为1纳米，图像大小为1384×1035像素。每张图像都附有由三位病理学家进行的像素级注释，以区分癌变和非癌变区域。为了克服实验变异性和注释数据的缺乏，研究者结合了基于标签传播的半监督学习（SSL）和多尺度相关信息原理（MPRI）方法以及张量奇异谱分析方法，提取光谱-空间特征。

特点

ColonCancerHSI数据集的主要特点在于其高光谱成像技术，能够捕捉到传统RGB图像无法覆盖的连续光谱范围信息。此外，该数据集包含了详细的像素级注释，这些注释由三位经验丰富的病理学家进行，确保了数据的高质量。数据集的构建还采用了半监督学习方法，有效减少了对于大量标注数据的依赖，同时提高了分类性能。

使用方法

ColonCancerHSI数据集主要用于验证像素级分类在手术中肿瘤切除的应用。研究者可以通过该数据集训练和测试深度学习模型，以评估其在高光谱图像上的分类性能。数据集的使用方法包括但不限于：利用半监督学习方法进行模型训练，提取光谱-空间特征，以及对比高光谱图像与传统RGB图像的分类效果。数据和代码可在https://github.com/ikopriva/ColonCancerHSI获取。

背景与挑战

背景概述

ColonCancerHSI数据集由Ivica Kopriva及其团队于2020年创建，旨在解决肝转移性结肠腺癌的术中像素级分类问题。该数据集包含27张高光谱图像（HSI），这些图像来自14名患有结肠腺癌肝转移的患者。这些图像在450至800 nm的波长范围内采集，分辨率为1 nm，图像大小为1384×1035像素。数据集的创建旨在验证术中肿瘤切除的像素级分类，并填补高光谱成像在计算病理学领域缺乏像素级标注数据的空白。该数据集的发布对推动高光谱成像技术在医学影像中的应用具有重要意义，特别是在肿瘤切除和疾病诊断方面。

当前挑战

ColonCancerHSI数据集面临的主要挑战包括：1) 缺乏用于训练深度学习模型的像素级标注高光谱数据；2) 高光谱成像相对于传统RGB成像的优势尚未在术中样本中得到充分验证；3) 实验变异性导致的谱变异性，以及标注数据的稀缺性，使得深度网络的训练变得困难。此外，像素级标注过程需要病理学家的参与，其可用性和标注过程的复杂性进一步增加了数据集构建的难度。这些挑战限制了高光谱成像在计算病理学中的常规应用，并需要开发新的方法来克服这些障碍。

常用场景

经典使用场景

ColonCancerHSI数据集的经典使用场景主要集中在利用高光谱成像（HSI）技术进行结直肠癌肝转移的术中像素级分类。该数据集包含27张来自14名患者的肝转移结直肠癌的冰冻切片高光谱图像，旨在验证术中肿瘤切除的像素级分类。通过结合半监督学习（SSL）和多尺度相关信息原理（MPRI）方法，研究人员能够在仅使用1%的标记像素的情况下，实现高精度的分类，显著优于传统的RGB图像分类方法。

实际应用

在实际应用中，ColonCancerHSI数据集主要用于支持结直肠癌肝转移的术中诊断和治疗规划。通过高光谱成像技术，外科医生和病理学家能够获得更详细的肿瘤边界信息，从而实现更精确的肿瘤切除。这种技术的应用不仅提高了手术的成功率，还减少了术后并发症的风险，对患者的预后具有重要意义。

衍生相关工作

ColonCancerHSI数据集的发布催生了一系列相关研究工作，特别是在高光谱成像和计算病理学领域。例如，研究人员利用该数据集开发了新的半监督学习算法和多尺度特征提取方法，进一步提升了高光谱图像分类的性能。此外，该数据集还促进了深度学习模型在高光谱医学图像分析中的应用，推动了相关技术的临床转化和标准化进程。