Laparoscopic Cholecystectomy dataset

本研究构建了一个高性价比的腹腔镜胆囊切除术语义分割数据集，旨在降低标注成本并提高数据集质量。该数据集通过主动学习策略从手术视频中选择信息量大的帧进行构建，包含440个训练和验证帧以及167个测试帧。数据集适用于腹腔镜胆囊切除术的结构识别，有助于推动深度学习在临床实践中的应用。

This study constructs a cost-effective semantic segmentation dataset for laparoscopic cholecystectomy, aiming to reduce annotation costs and improve dataset quality. Built by selecting informative frames from surgical videos via an active learning strategy, the dataset contains 440 training and validation frames and 167 test frames. It is suitable for structural recognition tasks during laparoscopic cholecystectomy and contributes to advancing the application of deep learning in clinical practice.

搜集汇总

数据集介绍

构建方式

在腹腔镜胆囊切除术视频数据集的构建中，采用主动学习策略进行高效帧选择。研究团队首先对五例符合伦理审查的手术视频进行去标识化处理，截取易发生胆管损伤的关键时段，并以32帧/秒的速率分解为独立帧。通过像素级欧氏距离阈值过滤模糊帧，最终获得607帧基础数据。创新性地引入深度神经网络驱动的主动学习框架，通过预测熵和特征距离两种信息量度量策略，从新采集的视频中筛选最具信息量的帧进行标注。该方法使模型在仅使用50%数据量时即可达到与全量数据训练相当的0.4349平均交并比性能。

特点

该数据集在腹腔镜手术视频分析领域具有显著特性。其核心价值在于通过主动学习机制实现了数据样本的智能筛选，有效解决了医学影像标注成本高昂的难题。数据集包含25类关键解剖结构和手术器械的像素级标注，特别关注易混淆的剪刀尖端等罕见器械的样本平衡。深度特征距离度量策略的运用，使数据集在保持较小规模（440训练帧/167测试帧）的同时，具备优异的多样性。实验表明，基于余弦距离选择的帧能显著提升模型对肝脏（交并比0.7501）等复杂组织的识别精度，同时对胆囊管（0.2616交并比）等微小结构的识别效果优于随机采样方法。

使用方法

该数据集适用于手术场景语义分割模型的开发与验证。使用时应遵循主动学习迭代流程：首先用初始视频帧训练DeepLabV3+基础模型，随后将新视频帧输入模型获取预测熵或ResNet101提取的深度特征。通过计算欧氏/余弦距离筛选信息量最大的50帧进行标注，并入训练集进行模型微调。评估阶段需采用留出法，在独立测试视频上计算25类目标的交并比指标。特别值得注意的是，针对剪刀尖端等罕见器械的识别任务，建议优先采用特征距离策略进行数据选择。数据集支持对模型泛化能力的多维度验证，包括跨病例测试和关键器械识别稳定性分析。

背景与挑战

背景概述

腹腔镜胆囊切除术数据集（Laparoscopic Cholecystectomy dataset）由墨尔本大学生物医学工程系与计算信息系统学院的研究团队于2025年构建，旨在解决手术视频语义分割中标注成本高昂的核心问题。该数据集创新性地引入主动学习框架，通过深度神经网络动态筛选信息量丰富的手术视频帧，显著提升了关键解剖结构与手术器械的识别精度（mIoU达0.4349）。作为首个将主动学习应用于腹腔镜手术视频分析的标准化数据集，其构建方法突破了传统连续采样或随机采样导致的帧重复与信息冗余瓶颈，为术中实时结构识别提供了高质量数据基础，对推动计算机辅助手术系统发展具有重要临床意义。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，腹腔镜视频中胆囊管等微小解剖结构的形态多变性与器械反光干扰导致分割精度难以提升，现有模型对剪刀尖端等罕见器械的识别IoU仍低于0.35；在构建过程层面，手术视频存在动态模糊、光照突变等噪声，传统基于像素差异的帧选择方法会产生27%的信息冗余。研究团队采用深度特征欧氏距离度量解决了帧间多样性评估难题，但跨机构数据异构性仍导致特征空间分布偏移，需进一步开发鲁棒的特征对齐算法。此外，标注过程需外科专家参与，每帧平均标注耗时15分钟，高昂的人工成本制约了数据集规模扩展。

常用场景

经典使用场景

在微创胆囊切除术（LC）领域，腹腔镜视频的实时语义分割是提升手术安全性的关键技术。该数据集通过主动学习策略筛选最具信息量的视频帧，构建高质量标注数据，为深度学习模型提供了精准的解剖结构和手术器械识别基础。其经典应用场景包括术中实时导航系统，通过分割模型在视频流中高亮显示胆囊管、肝脏等关键结构，有效降低胆管损伤风险。

解决学术问题

该数据集解决了医学图像标注成本高昂导致的深度学习应用受限问题。通过主动学习框架，仅需标注50%的数据即可达到全量数据90%以上的模型性能（mIoU 0.4349 vs 0.4374），显著降低了标注负担。其创新性体现在融合深度特征距离度量与预测熵计算，有效识别信息量最大的帧样本，为小样本医学图像分析提供了范式转移。

衍生相关工作

该数据集催生了多项里程碑式研究：Mascagni团队开发的CVS安全视图自动评估系统（Ann Surg 2022）采用其框架优化数据选择；Tokuyasu等人基于该数据集的迁移学习方案（Surg Endosc 2021）实现了跨机构模型泛化。后续工作如CholecSeg8k数据集（arXiv 2020）进一步扩展了其主动学习范式至8,000帧标注。