Open Medical Ultrasound Dataset Atlas

一个精心策划并持续更新的公开医学超声影像数据集图集A carefully curated and continuously updated public medical ultrasound imaging dataset collection

原始信息汇总

开放医学超声数据集图谱 (Open Medical Ultrasound Dataset Atlas)

总体概览

这是一个经过人工筛选并持续更新的公开医学超声影像数据集资源图谱，收录了经核实的数据集，主要情况如下：

• 数据集总量: 104个经过验证的主要数据集系列
• 开放获取: 89个
• 需申请获取: 13个
• 受控/受限: 2个
• 最近更新日期: 2026年9月2日

数据集分类详情

该图谱按解剖部位对数据集进行分类，主要包括以下几个类别：

乳腺（Breast）

收录了3个数据集，横跨乳腺超声影像检测、分割与分类等任务。

• UDIAT / Dataset B: 163张二维B型图像（来自163名女性），可用于检测、分割及二分类任务，需申请获取。
• OASBUD: 包含100个病灶的二维后波束成形射频回波数据，可用于射频定量超声分析、B模式可视化、分割及二分类任务，开放获取。
• BUSI: 780张二维B型图像，支持分类与分割任务，开放获取。

甲状腺（Thyroid）

包含8个数据集，覆盖甲状腺结节分割、分类及风险分层等多种任务。

• DDTI: 389例病例，共637张处理后的图像，用于分割及TI-RADS分析，开放获取。
• TN-SCUI2020: 共4,554张影像/病例，用于分割与分类，开放获取。
• KFGNet dataset: 3,668段二维B型视频，可用于定位和分类，开放获取。
• TG3K: 约3,583-3,585帧二维B型影像，用于分割任务，开放获取。
• TN3K: 3,493张图像（2,421名患者），用于分割，开放获取。
• SegThy: 214名受试者的超声+MRI跟踪数据，包含两个子集，支持三维分割及体积测量，开放获取。
• Thyroid Ultrasound Cine-clip: 192个结节（共17,412帧）的超声动态片段，用于分割及风险分层，需申请获取。
• TN5000: 包含5,000张图像，用于检测与分类，开放获取。

产科（Obstetrics）

该分类下暂无数据集收录。

心脏（Heart）

共收录9个数据集，涵盖心脏超声分割、射血分数/容积回归、视图分类、瓣膜病分级等任务。

• CAMUS: 500名患者的二维超声序列（心尖二腔/四腔切面），用于分割及功能测量，开放获取。
• EchoNet-Dynamic: 10,030段二维超声视频，用于分割及射血分数/容积回归，需申请获取。
• EchoCP: 60段视频（30名患者），用于卵圆孔未闭分级和心腔分割，开放获取。
• Tufts Medical Echocardiogram Dataset (TMED-2): 599项完整标注研究，用于主动脉瓣狭窄及切面分类，需申请获取。
• EchoNet-LVH: 12,000段二维超声视频，用于室壁/心腔测量，需申请获取。
• CardiacUDA / CardiacUDC: 992段视频，用于分割及域适应研究，开放获取。
• EchoNet-Pediatric: 7,643段小儿心脏超声视频，用于分割及射血分数/容积回归，需申请获取。
• CACTUS: 37,736张心脏模体二维B型图像，用于视图分类及质量分级，开放获取。
• MIMIC-IV-Echo: 206,488项DICOM影像及测量数据研究，用于测量及多模态学习，受控访问。

肌肉骨骼（Musculoskeletal）

收录6个数据集，集中在肌肉、肌腱的超声分割、定位及定量评估等领域。

• LUMINOUS: 109名受试者的腰椎多裂肌二维B型图像，用于分割及横截面积/回声强度测量，开放获取。
• deepMTJ test set: 1,344张肌腱连接处二维B型图像，用于定位和跟踪，开放获取。
• FALLMUD: 812张小腿肌肉二维B型图像，用于肌束/腱膜分割，开放获取。
• TUS-REC2024: 85名志愿者的2,040次跟踪徒手超声扫描数据，用于三维重建及姿态估计，需申请获取。
• Machine Learning-Driven Heckmatt Grading in FSHD: 290名参与者的25,005张二维B型图像，用于分级与分割，开放获取。
• Transverse Musculoskeletal Ultrasound Dataset for NMD Assessment: 1,283名受试者的3,917张二维B型图像，用于分割及定量评估，开放获取。

多部位（Multi-anatomy）

• Clinical Ultrasound Image Repository: 包含腹部、心脏及妇产科超声的2,000项临床DICOM研究，用于表征学习，开放获取。

其他（Other）

• GIST514-DB: 514例消化道间质瘤内镜超声影像，用于分类、检测及分割，开放获取。
• LEPset: 420名患者的11,500张胰腺内镜超声图像，用于分类及预训练，开放获取。
• C-TRUS: 13名患者的827张结肠壁二维B型图像，用于分割，开放获取。

访问方式说明

图谱中注明数据集的访问权限分为三种：

• 🟢 开放获取（Open）: 可直接下载使用。
• 🟡 需申请（Application）: 需要通过申请流程获取。
• 🔴 受控访问（Controlled）: 访问需经过更严格的审核与控制。

贡献方式

该图谱支持通过提交Issue或Pull Request的方式，欢迎贡献新的数据集或对现有数据集信息进行修正。

搜集汇总

数据集介绍

构建方式

本数据集图谱汇集了公开可获取的医学超声影像数据集，经过系统性的检索、筛选与验证，构建了一个包含104个经核实的数据集家族的全面清单。每个数据集条目均以YAML格式详细记录，涵盖解剖部位、模态、规模、任务类型、访问权限等关键元数据，并附有对应的论文与数据链接。图谱按解剖区域（如乳腺、甲状腺、心脏等）进行分类，以确保其结构清晰、便于检索。此外，该图谱定期更新，以保证信息的时效性与准确性。

特点

该数据集图谱的显著特点在于其全面性与精细的分类体系。通过将数据集划分为89个开放访问、13个需申请及2个受控访问的等级，为不同研究需求提供了明确的访问指引。同时，图谱不仅涵盖了乳腺、甲状腺、心脏等常规超声领域，还纳入了肌肉骨骼、多解剖区域及内镜超声等前沿方向。每个数据集均标注了特定的任务类型（如分割、分类、检测），并附有对应的文献来源，便于研究者快速定位并评估数据集的适用性，是本领域不可多得的导航性资源。

使用方法

使用者可通过图谱的解剖部位分类或数据集的唯一标识符（如US031）快速定位感兴趣的数据集。每个条目的详细YAML文件提供了数据集的完整描述，包括模态、规模及访问链接，使用者可直接跳转至原始数据源进行下载或申请。图谱支持通过GitHub的Issues或Pull Requests提交新数据集或修正错误，鼓励社区协作维护。在进行研究时，建议引用图谱中对应的原始论文及数据集本身，以尊重原创者的贡献。

背景与挑战

背景概述

超声成像凭借无辐射、实时性与便携性，在临床诊断中占据重要地位。然而，超声数据的高度操作者依赖性与多机构采集协议的差异，催生了数据集分散、标准不一等瓶颈。为此，自2023年起，来自多所国际机构的研究团队（包括斯坦福大学、慕尼黑工业大学等）共同构建了Open Medical Ultrasound Dataset Atlas，作为一个动态更新的数据集图谱，旨在系统梳理并索引全球可公开获取的医学超声影像数据集。该图谱涵盖乳腺、甲状腺、心脏、肌肉骨骼等解剖部位，收录104个数据集家族，其中89个为完全开放，并详细标注了影像模态、任务类型及论文出处。这一工作推动了超声影像数据资源的透明化与规范化，为算法基准测试与跨中心研究提供了基础支撑，显著促进了医学影像人工智能领域的可重复性研究与临床转化应用。

当前挑战

超声影像数据集的构建与其所服务的人工智能应用面临多种挑战。领域层面，不同超声设备厂商的成像参数、探头频率及采集协议差异显著，导致图像纹理与噪声特性迥异，跨中心泛化能力弱；超声图像固有的斑点噪声、声影及低信噪比，干扰解剖结构边界识别，给分割与分类等任务带来严峻考验；且临床超声诊断高度依赖操作者手法，获取标准切面存在主观性，较难构建充足、高质量的标注数据。构建图谱过程中，挑战在于核实各数据集的可访问性许可及其时效性，协调不同数据存储库（如Zenodo、GitHub、Mendeley Data）之间的元数据格式差异，还需处理部分数据集字段不全（如缺少明确的知情同意声明或伦理审批信息）等问题，确保数据版权与患者隐私合规，以维持图谱的权威性与可持续更新能力。

常用场景

经典使用场景

Open Medical Ultrasound Dataset Atlas 作为医学超声影像领域的系统性资源汇编，其核心使用场景在于为研究者提供一站式的数据集检索与筛选平台。该图鉴收录了涵盖乳腺、甲状腺、心脏、肌肉骨骼及多解剖区域在内的104个已验证数据集家族，每个条目均详尽标注了解剖部位、影像模态、样本规模、任务类型及访问权限等关键元数据，极大便捷了研究人员依据具体研究目标（如分割、分类、检测）快速定位适宜的数据资源，从而显著降低了数据搜寻的时间成本，为超声影像人工智能模型的训练与验证奠定了坚实基础。

实际应用

在实际应用层面，该图鉴所收录的数据集已广泛服务于多种临床场景的智能辅助诊断系统研发。例如，基于BUSI和DDTI等乳腺与甲状腺数据集，研究者开发了用于肿瘤自动分割与良恶性鉴别的深度学习模型，辅助放射科医师提升诊断效率与准确性。心脏超声数据集如EchoNet-Dynamic和CAMUS则被用于心功能自动评估，支持射血分数测量与心肌运动分析，展现出在心血管疾病筛查中的巨大潜力。此外，肌肉骨骼数据集亦被应用于康复医学中肌肉形态的定量评估，为精准医疗提供了智能化的影像学工具。

衍生相关工作

该Atlas作为领域资源集大成者，直接催生并汇集了一系列影响深远的衍生学术工作。例如，基于其中收录的乳腺超声数据集，研究者提出了多种先进的肿瘤分割网络，如基于注意力机制的U-Net变体；在甲状腺领域，TRFE-Net等针对结节分割的专用架构应运而生。心脏超声方面，EchoNet系列工作推动了视频级心脏功能分析的范式革新，而CAMUS挑战赛则促进了多中心、多设备下的算法泛化研究。此外，Atlas的持续更新机制也激励了数据标准化描述与元数据规范的研究，为构建更可互操作的医学影像数据生态提供了示范与基础。