ALAN

ALAN数据集是由上海交通大学开发的一个新的3D数据集，专注于肾上腺腺体分析。该数据集包含1,584个肾上腺腺体的3D形状及其由专家分配的诊断标签（正常或异常）。数据集的创建过程涉及使用Neural Annotation Refinement (NeAR)方法修复人标注的分割标签。ALAN数据集旨在为医学形状分析提供一个新的基准，特别是在提高肾上腺腺体的诊断准确性方面。

The ALAN dataset is a novel 3D dataset developed by Shanghai Jiao Tong University, focusing on adrenal gland analysis. This dataset contains 3D shapes of 1,584 adrenal glands along with diagnostic labels (normal or abnormal) assigned by experts. The dataset creation process involves using the Neural Annotation Refinement (NeAR) method to refine the manually annotated segmentation labels. The ALAN dataset aims to provide a new benchmark for medical shape analysis, particularly in improving the diagnostic accuracy of adrenal glands.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，高质量的标注数据对于深度学习模型的性能至关重要。ALAN数据集的构建采用了创新的神经标注精炼（NeAR）方法，该方法基于可学习的隐式函数，通过解码潜在向量来重建三维形状。具体而言，研究团队首先收集了792名患者的肾上腺CT扫描数据，由一名临床医生使用3D Slicer软件进行逐片分割标注，生成初始的三维分割掩码。这些标注因肾上腺作为软器官边界模糊而存在不一致性和高频伪影。随后，NeAR方法通过卷积解码器生成多尺度特征图，并结合图像外观信息，利用轻量级多层感知机预测每个空间点的占据概率，从而修复标注中的失真部分，最终生成1,584个高质量的三维肾上腺形状模型。

使用方法

ALAN数据集的使用旨在推动三维形状分类与医学图像分析的前沿研究。研究人员可首先访问开源代码库获取数据集，其中包含NeAR修复后的三维形状及对应的诊断标签。在实验设置中，可将形状数据预处理为统一分辨率（如48×48×48），并采用患者级别的划分策略（训练/验证/测试集分别为1,188/98/298个样本）。利用三维卷积神经网络（如ResNet变体）作为分类器，输入修复后的形状进行二元诊断任务，通过交叉熵损失函数和Adam优化器进行模型训练。评估指标推荐使用ROC曲线下面积（AUC），以量化模型在区分正常与异常肾上腺形状上的性能，从而验证标注修复对下游任务的有效性。

背景与挑战

背景概述

在医学影像分析领域，深度学习模型的性能高度依赖于大规模高质量标注数据集。然而，由于医学图像标注成本高昂且易受人为误差影响，获取精准标注成为制约研究进展的关键瓶颈。ALAN（Adrenal gLand ANalysis）数据集由上海交通大学与瑞士洛桑联邦理工学院等机构于2022年联合构建，专注于肾上腺三维形态分析与疾病诊断。该数据集包含1,584例肾上腺三维结构模型及对应的正常/异常诊断标签，通过创新性神经标注优化方法（NeAR）对原始人工标注进行修复，显著提升了形态数据的几何一致性。作为首个面向肾上腺形态学研究的开源三维数据集，ALAN为医学几何深度学习与器官定量分析提供了重要基准，推动了软器官影像分析从二维向三维智能化诊断的范式转变。

当前挑战

ALAN数据集致力于解决医学影像中肾上腺形态分类与诊断的挑战，其核心难点在于如何从存在标注噪声的三维分割数据中提取鲁棒的形态学特征，以区分正常与病变腺体。由于肾上腺属于边界模糊的软体器官，人工标注易产生跨切片不一致性、高频伪影及局部误分割等问题，直接影响下游诊断模型的泛化能力。在数据集构建过程中，研究团队面临双重挑战：一是设计能够融合影像外观信息与几何先验的标注修复算法，以在有限样本下实现精准三维重建；二是建立跨机构协作的标注质量控制流程，确保诊断标签的临床可靠性，同时克服多中心数据异构性带来的标准化难题。

常用场景

经典使用场景

在医学图像分析领域，肾上腺的形态特征对于内分泌疾病的诊断至关重要。ALAN数据集作为首个专注于肾上腺三维形态分析的大规模公开数据集，其经典使用场景在于为深度学习模型提供高质量的标注数据，以训练和评估肾上腺形态分类算法。该数据集包含1584个经过神经标注精修（NeAR）处理的三维肾上腺形状及其对应的正常或异常诊断标签，为研究人员构建可靠的形态学分类基准提供了坚实基础。通过利用这些精修后的形状数据，模型能够更准确地捕捉肾上腺的细微形态变化，从而提升分类性能。

解决学术问题

ALAN数据集主要解决了医学图像分析中因人工标注不完美而导致的模型性能瓶颈问题。在传统标注流程中，单专家标注常引入高频伪影和边界误差，而多专家共识虽为金标准却成本高昂。该数据集通过NeAR方法将外观感知的隐式表面建模应用于标注精修，有效修复了标注失真，提升了形状的视觉一致性与解剖学合理性。这不仅为标注质量评估提供了量化基准，还推动了基于几何深度学习的形状先验研究，为处理稀疏标注和小目标分割等挑战性任务提供了新思路。

实际应用

在实际临床应用中，ALAN数据集为肾上腺疾病的辅助诊断系统开发提供了关键数据支持。基于该数据集训练的形态分类模型可集成到医学影像平台中，帮助放射科医生快速筛查肾上腺异常，如腺瘤或增生等病变。其精修后的三维形状数据能够直观展示肾上腺的形态特征，辅助医生进行术前规划和疗效评估。此外，数据集的公开性促进了跨机构合作，加速了自动化诊断工具在基层医疗机构的部署，有望缓解专业医疗资源分布不均的压力。

数据集最近研究

最新研究方向

在医学影像分析领域，肾上腺腺体分析数据集ALAN的推出，标志着三维形状分类与几何深度学习在软组织器官诊断中的前沿应用。该数据集通过神经标注精炼技术，有效修复了人工标注中的高频伪影与误差，为肾上腺正常与异常状态的分类提供了高质量的三维形状基准。当前研究聚焦于结合外观感知的隐式表面建模，以提升形状重建的边界对齐精度，进而优化下游诊断模型的性能。这一进展不仅推动了标注自动化与数据质量提升的技术融合，也为小样本医学影像分析提供了新的解决方案，对促进精准医疗与计算解剖学的发展具有深远意义。

相关研究论文

• Neural Annotation Refinement: Development of a New 3D Dataset for Adrenal Gland Analysis

  上海交通大学 · 2022年