SegCol

SegCol数据集是由伦敦大学学院创建的，专门用于结肠镜检查中工具和折叠边缘的语义分割。该数据集包含6000张图像，来源于EndoMapper数据集，图像以40帧为一批次进行采样，标注了3种手术工具和1种结肠折叠边缘。数据集的创建过程包括手动标注和图像分类CNN筛选，旨在解决结肠镜检查中的导航和3D重建问题，特别是在视角和光照变化下的定位问题。

The SegCol dataset was developed by University College London, specifically for semantic segmentation of surgical instruments and colonic folded edges in colonoscopy procedures. It consists of 6000 images derived from the EndoMapper dataset, with images sampled in batches of 40 frames. The dataset is annotated with three categories of surgical instruments and one category of colonic folded edges. The creation of this dataset involves manual annotation and image filtering using a classification CNN, with the goal of addressing challenges in colonoscopy navigation and 3D reconstruction, particularly localization issues under varying viewing angles and illumination conditions.

搜集汇总

数据集介绍

构建方式

SegCol数据集通过从EndoMapper数据集中抽取连续帧构建而成，涵盖了96个完整的结肠镜检查视频。具体而言，数据集以每秒10-12帧的速率采样，每批次包含40帧连续图像，确保在光照变化下对折叠边缘进行一致性标注。此外，数据集还利用了EndoMapper中的时间戳注释来筛选包含工具的图像批次，并通过图像分类CNN识别清晰帧以确保折叠边缘的可见性。最终，通过人工审查排除了无信息批次，确保数据集的高质量。

特点

SegCol数据集的显著特点在于其像素级的语义标注，涵盖了3种手术工具类别和1种结肠折叠边缘类别。折叠边缘以1像素厚度的轮廓标注，精确描绘了结肠解剖结构中的深度不连续性。工具则以密集的像素掩码标注，特别关注复杂形状如细线、孔洞和组织遮挡。此外，数据集在训练、验证和测试集之间均匀分布了工具类别，确保了模型的全面训练和评估。

使用方法

SegCol数据集主要用于结肠镜检查中的语义分割任务，旨在提升内窥镜定位和3D重建的精度。用户可以通过训练集进行模型设计，利用验证集进行模型调优，并通过测试集评估模型性能。此外，数据集还支持主动学习任务，用户可以开发采样策略从无标签训练集中选择最具信息量的帧，以提高数据标注效率。评估框架采用多种互补的度量指标，如Dice系数、平均精度、最佳图像尺度等，确保对分割质量的全面评估。

背景与挑战

背景概述

结直肠癌（CRC）仍然是全球癌症相关死亡的第二大原因。息肉切除术是CRC筛查的有效方法，尤其是在早期阶段。然而，在结肠镜检查中导航以检测息肉存在显著挑战。为此，SegCol数据集应运而生，旨在通过语义分割技术定位结肠镜检查中的常见解剖标志（折叠边缘）和改变可视场景的物体（嵌入内窥镜的可伸缩工具）。该数据集由伦敦大学学院Hawkes研究所和计算机科学系的研究团队创建，基于EndoMapper数据集的子集，包含96个完整的结肠镜检查视频。SegCol数据集的创建旨在推动结肠镜检查中相机导航技术的发展，并为内窥镜定位和3D重建提供新的方法。

当前挑战

SegCol数据集在构建过程中面临多项挑战。首先，数据集的采样过程复杂，需从EndoMapper数据集中选取连续帧，并确保在光照变化下折叠边缘的标注一致性。其次，标注过程涉及像素级掩码，特别是折叠边缘的标注，需处理气泡、反射、水、工具和极暗区域导致的遮挡问题。此外，工具的标注需关注精细形状，如细线、孔洞和组织遮挡，同时处理饱和反射和小可见区域的问题。最后，数据集的评估框架需综合考虑折叠边缘和工具的分割特性，采用多种度量标准以确保评估的全面性和公平性。

常用场景

经典使用场景

SegCol数据集在结肠镜检查中的语义分割任务中展现了其经典应用场景。该数据集专注于对结肠镜图像中的手术工具和折叠边缘进行像素级语义分割，旨在通过定位频繁出现的解剖标志（如折叠边缘）和视觉场景中的物体（如可伸缩工具），提升内窥镜导航技术。通过分割这些关键元素，研究人员能够探索新的内窥镜定位和三维重建方法，特别是在视点和光照变化的情况下，利用折叠边缘和工具标签提供的深度不连续信息，改进深度感知方法。

实际应用

SegCol数据集在实际应用中具有广泛的前景，特别是在结肠镜检查的自动化和辅助诊断系统中。通过精确分割结肠镜图像中的手术工具和折叠边缘，该数据集可以用于开发更智能的内窥镜导航系统，帮助医生更快速、准确地识别和定位病变区域。此外，该数据集还可用于训练和验证深度学习模型，以提高结肠镜检查的自动化水平，减少人为错误，提高诊断的准确性和效率。

衍生相关工作

SegCol数据集的发布激发了大量相关研究工作，特别是在内窥镜导航和三维重建领域。基于该数据集，研究人员开发了多种语义分割模型，以提高对手术工具和折叠边缘的识别精度。此外，该数据集还促进了主动学习方法的发展，通过选择最具信息量的帧来优化数据标注过程。这些衍生工作不仅提升了结肠镜检查的自动化水平，还为其他医学图像处理任务提供了新的思路和方法。