PAID: Photoacoustic Imaging Datasets

该存储库是一个持续更新的、全面的光声成像公开数据集集合，旨在为研究人员、临床医生和学生提供集中的、最新的资源。它涵盖了多种光声成像技术和应用，包括光声显微镜（PAM）、光声计算机断层扫描（PACT）和多光谱光声成像等。

This repository is a continuously updated, comprehensive collection of open photothermal imaging datasets, designed to provide researchers, clinicians, and students with a centralized and up-to-date resource. It encompasses various photothermal imaging technologies and applications, including photoacoustic microscopy (PAM), photoacoustic computed tomography (PACT), and multispectral photoacoustic imaging.

原始信息汇总

光声成像公开数据集 (PAID) 概述

项目简介

• 光声成像 (PAI)：结合光学成像高对比度和超声成像高空间分辨率的非侵入式成像技术，广泛应用于生物医学研究、临床诊断和临床前研究。

数据集目标

1. 整理与组织：集中整理公开的光声成像数据集。
2. 支持研究：促进算法开发、验证和基准测试。
3. 促进合作：通过数据共享推动创新。
4. 教育资源：为学生和新手提供学习资源。

数据集分类

• 光声显微镜 (PAM)：高分辨率成像小尺度生物结构。
• 光声计算机断层扫描 (PACT)：全身或大尺度成像。
• 多光谱光声成像：多波长光捕获组织信息。

数据集摘要表

数据集名称	论文标题	年份	数据类型	数据简介	下载链接
Mouse PACT - Twente Photoacoustic Mammoscope 2	Deep learning optoacoustic tomography with sparse data	2019.08.05	PACT	包含小鼠和（圆形和血管状）体模的全采样和稀疏重建数据	下载
3D-PACT	High-speed three-dimensional photoacoustic computed tomography for preclinical research and clinical translation	2020.12.02	PACT	包含大鼠脑部原始RF数据、重建体积、功能时间序列等	下载
Mouse MSOT - Twente Photoacoustic Mammoscope 2	Domain Transform Network for Photoacoustic Tomography from Limited-view and Sparsely Sampled Data	2022	PACT	包含4个模拟数据集和2个小鼠体内MSOT数据集	下载
MI-LSD in-vivo dataset	Machine learning enabled multiple illumination quantitative optoacoustic oximetry imaging in humans	2022.02.04	PACT	包含128通道RF测量数据和B模式图像	下载
PATATO	Photoacoustic imaging for efficient dataset automation in deep learning aided ultrasound-guided needle tracking	2022.02.04	PACT	包含临床体模、临床前体模和体内数据	下载
Breast Cancer PAT - Twente Photoacoustic Mammoscope 2	Imaging breast malignancies with the Twente Photoacoustic Mammoscope 2	2023.03.06	PACT	包含4例乳腺癌病例数据	下载
Duke PAM Dataset	Reconstructing Undersampled Photoacoustic Microscopy Images Using Deep Learning	2020.09.22	PAM	包含小鼠脑部微血管图像	下载
Photoacoustic vascular image dataset		2024.05.18	PAM	包含小鼠耳朵正常血管和肿瘤血管数据	下载

贡献者

• 南方医科大学智能光学断层扫描实验室
  邮箱：https://smu-iotlab.github.io/
• Chaobin Hu
  邮箱：[e-mail]
• Yutian Zhong
  邮箱：[e-mail]
• Li Qi
  邮箱：[e-mail]

致谢

• 南方医科大学智能光学断层扫描实验室
  访问网站
• 南方医科大学生物医学工程学院医学信息研究所
  访问网站

引用

@article{zhong2024unsupervised,
title={Unsupervised adversarial neural network for enhancing vasculature in photoacoustic tomography images using optical coherence tomography angiography},
author={Zhong, Yutian and Liu, Zhenyang and Zhang, Xiaoming and Liang, Zhaoyong and Chen, Wufan and Dai, Cuixia and Qi, Li},
journal={Computerized Medical Imaging and Graphics},
volume={117},
pages={102425},
year={2024},
publisher={Elsevier}
}

@article{zhong_2024_spiral,
author = {Zhong, Yutian and Zhang, Xiaoming and Mo, Zongxin and Zhang, Shuangyang and Nie, Liming and Chen, Wufan and Qi, Li},
month = {09},
pages = {100641},
publisher = {Elsevier},
title = {Spiral scanning and self-supervised image reconstruction enable ultra-sparse sampling multispectral photoacoustic tomography},
doi = {10.1016/j.pacs.2024.100641},
url = {https://www.sciencedirect.com/science/article/pii/S2213597924000582},
volume = {39},
year = {2024},
journal = {Photoacoustics}
}

@article{zhong2023unsupervised,
title={Unsupervised fusion of misaligned PAT and MRI images via mutually reinforcing cross-modality image generation and registration},
author={Zhong, Yutian and Zhang, Shuangyang and Liu, Zhenyang and Zhang, Xiaoming and Mo, Zongxin and Zhang, Yizhe and Hu, Haoyu and Chen, Wufan and Qi, Li},
journal={IEEE Transactions on Medical Imaging},
volume={43},
number={5},
pages={1702--1714},
year={2023},
publisher={IEEE}
}

联系方式

• Chaobin Hu
  邮箱：[e-mail]
  GitHub：CbinHu

搜集汇总

数据集介绍

构建方式

PAID数据集作为光声成像领域的核心资源，其构建过程体现了系统化与开放性原则。研究团队通过多源整合策略，从Figshare、Zenodo等开放平台系统爬取全球范围内公开的光声成像数据，涵盖2019至2024年间发表的7类典型数据集。每个数据集均经过严格的元数据标注，包括成像模态（PACT/PAM）、样本类型（小鼠/人体组织）、采集参数（波长/通道数）等关键维度，并通过DOI链接确保数据溯源。数据集持续更新机制采用GitHub版本控制，结合自动化爬虫与人工审核双轨制维护数据时效性。

特点

该数据集最显著的特征在于其多模态覆盖性与临床相关性。内容上囊括显微成像（PAM）的亚细胞级血管网络与全身扫描（PACT）的器官级功能成像，特别包含4例乳腺癌临床病例的4D动态数据。技术维度上，既包含传统单波长成像，也集成多光谱（760-980nm）与多照明位点采集数据。数据集特别强化了算法验证价值，32%的样本配套提供原始射频信号与重建算法代码（MATLAB/Python），为深度学习模型训练提供端到端支持。时空分辨率跨度达三个数量级，最高可达25fps时序采样与50μm空间分辨率。

使用方法

使用者可通过GitHub仓库的标准化接口快速获取数据，数据集按三级体系组织：原始信号层（RF数据）、重建层（DICOM/NIfTI）、标注层（ROI掩膜）。对于算法开发，推荐从Duke PAM数据集入手进行超分辨率重建验证，其包含完整的小鼠脑微血管训练/测试集划分。临床研究则可优先调用Twente Mammoscope 2的乳腺癌数据，配套的.mat文件包含病灶区血流动力学参数。多模态融合任务建议采用MI-LSD数据集，其同步采集的10波长光声数据与超声影像已做好时空配准。所有数据均提供标准化预处理脚本，支持PyTorch/TensorFlow直接加载。

背景与挑战

背景概述

光声成像技术作为21世纪新兴的多模态成像方法，由美国华盛顿大学Lihong Wang教授团队于21世纪初率先提出，其融合了光学成像的高对比度与超声成像的高分辨率优势。PAID数据集由南方医科大学智能光学断层扫描实验室于2025年创建，旨在解决光声成像领域缺乏标准化数据资源的瓶颈问题。该数据集系统整合了包括光声显微镜(PAM)、光声计算机断层扫描(PACT)等7类子数据集，覆盖从基础研究到临床诊断的全链条应用场景，为算法开发、方法验证及跨机构研究提供了重要基准平台。

当前挑战

在解决光声成像重建精度方面，数据集需应对有限视角数据采集导致的伪影消除、多光谱信号解混的维度灾难等核心难题。构建过程中面临三大技术挑战：原始射频信号的信噪比优化需平衡探测深度与分辨率；跨中心数据整合存在采集协议异构性问题；动态功能成像数据的时间对齐精度要求达到毫秒级。此外，活体组织的运动伪影校正与隐私数据脱敏处理也增加了数据集构建的复杂度。

常用场景

经典使用场景

光声成像数据集PAID在生物医学研究中扮演着重要角色，尤其在肿瘤血管成像和脑功能研究方面表现突出。该数据集通过整合多种光声成像技术，如光声显微镜（PAM）和光声计算机断层扫描（PACT），为研究者提供了丰富的实验数据。经典使用场景包括小鼠脑部微血管成像和乳腺癌诊断，这些数据不仅支持算法开发，还为临床前研究提供了可靠的基准。

解决学术问题

PAID数据集有效解决了光声成像领域中的多个学术难题，包括有限视角和稀疏采样下的图像重建问题。通过提供多光谱光声成像数据，该数据集为血氧饱和度定量分析提供了基础，显著提升了功能成像的准确性。此外，其开放的原始射频数据和重建算法代码，为深度学习模型的训练与验证提供了标准化平台，推动了计算方法的创新。

衍生相关工作

围绕PAID数据集已衍生出多项经典工作，如基于深度学习的稀疏数据重建算法和跨模态图像融合技术。代表性研究包括《Domain Transform Network for Photoacoustic Tomography》提出的有限视图重建网络，以及《Unsupervised fusion of misaligned PAT and MRI images》开发的无监督多模态配准方法。这些工作显著拓展了光声成像在功能分析和临床转化中的应用边界。