BUSIS

BUSIS数据集由哈尔滨工业大学、爱达荷大学和犹他州立大学等机构合作创建，包含562张乳腺超声图像，用于乳腺超声图像分割的基准测试。数据集中的图像来自多个超声设备，涵盖了从26岁到78岁的女性患者，旨在评估不同分割算法的性能。数据集的标注由四位经验丰富的放射科医生通过标准化程序完成，确保了标注的准确性。该数据集主要用于研究和开发计算机辅助诊断系统，特别是在乳腺肿瘤的自动检测和分割领域。The BUSIS dataset was collaboratively developed by institutions including Harbin Institute of Technology, University of Idaho, Utah State University, and others. It contains 562 breast ultrasound images, serving as a benchmark for breast ultrasound image segmentation tasks. The images in the dataset were collected from multiple ultrasound devices, covering female patients aged 26 to 78 years old, with the purpose of evaluating the performance of different segmentation algorithms. The annotations of the dataset were finalized by four experienced radiologists through standardized workflows, guaranteeing the accuracy of the labeling. This dataset is primarily utilized for the research and development of computer-aided diagnosis systems, particularly in the domain of automatic detection and segmentation of breast tumors.

搜集汇总

数据集介绍

构建方式

本研究提出了一种名为BUSIS的乳腺超声图像分割基准，旨在解决现有分割方法评估中存在的数据集规模较小、评估指标不一致等问题。数据集的构建方式如下：首先，收集了562张乳腺超声图像，并开发了相应的软件工具。随后，邀请四位放射科医生通过标准化流程进行精确标注。最后，利用这些建立的标注数据，对十六种最新的分割方法进行了广泛比较，并讨论了它们的优缺点。

特点

BUSIS数据集具有以下特点：首先，它包含562张乳腺超声图像，涵盖了不同年龄段女性患者的病例，这些图像使用多种超声设备收集，保证了数据集的多样性和广泛性。其次，数据集采用了四位放射科医生进行标注，并通过多数投票和专家评估的方式生成最终的标注结果，确保了标注的准确性和可靠性。此外，数据集还提出了七种量化指标来评估半自动和全自动分割方法的性能，包括真阳性率、假阳性率、Jaccard指数、Dice相似度、面积误差率、Hausdorff误差和平均绝对误差，这些指标有助于全面评估分割方法的性能。

使用方法

使用BUSIS数据集的方法如下：首先，将数据集划分为训练集和测试集。其次，在训练集上训练分割模型，并在测试集上评估其性能。在评估过程中，可以采用七种量化指标对分割结果进行评估，包括真阳性率、假阳性率、Jaccard指数、Dice相似度、面积误差率、Hausdorff误差和平均绝对误差。此外，还可以通过调整参数和模型结构来优化分割模型的性能，以提高其在BUSIS数据集上的表现。

背景与挑战

背景概述

BUSIS数据集的创建旨在解决乳腺超声图像分割这一关键问题，这一技术在乳腺超声计算机辅助诊断（CAD）系统中扮演着重要角色。由于乳腺超声图像分割的挑战性，以及现有方法评估时使用的私有数据集和不同的定量指标导致性能比较存在差异，因此，迫切需要建立一个公共数据集作为基准来客观比较现有方法，并确定目前最佳乳腺肿瘤分割算法的性能。BUSIS数据集由562张乳腺超声图像组成，涉及了四位放射科医生通过标准化程序进行准确标注。该数据集的创建不仅提供了一个用于评估乳腺超声图像分割算法性能的平台，而且为临床实践和理论研究中的分割策略提供了宝贵的参考。

当前挑战

BUSIS数据集所面临的挑战主要包括：1)乳腺超声图像分割的领域问题，即如何从超声图像中准确地分割出肿瘤区域；2)数据集构建过程中遇到的挑战，如图像质量差、对比度低、边界弱和伪影等。这些挑战使得自动分割算法的开发变得复杂。此外，肿瘤的大小、形状和回声强度在不同患者之间差异很大，这也限制了传统分割方法中强先验知识的应用。为了克服这些挑战，研究人员提出了各种自动分割算法，包括基于变形模型、图论方法、机器学习方法、经典方法和其他类型的算法。尽管如此，现有的分割方法在BUSIS数据集上的性能仍然无法达到在各自原始数据集上报告的性能水平，这表明算法的鲁棒性在处理不同来源的图像时仍然是一个需要解决的问题。

常用场景

经典使用场景

BUSIS数据集作为乳腺超声图像分割领域的基准数据集，其经典使用场景包括：1) 用于评估和比较不同乳腺超声图像分割算法的性能；2) 探索和验证新的分割策略在临床实践和理论研究中的有效性；3) 评估半自动和全自动分割方法的性能，并提出一系列有价值的定量指标。

衍生相关工作

BUSIS数据集衍生了以下相关经典工作：1) 深度学习在乳腺超声图像分割中的应用，如U-Net、FCN-AlexNet等；2) 基于可变形模型、图论和机器学习方法的乳腺超声图像分割算法；3) 乳腺超声图像分割算法的性能评估指标，如Jaccard指数、Dice系数等。

数据集最近研究

最新研究方向

乳腺癌的早期检测对于降低死亡率至关重要，而乳腺超声图像分割是乳腺超声计算机辅助诊断系统中的关键环节。然而，由于乳腺超声图像质量较差、对比度低、边界模糊以及伪影等问题，使得自动分割乳腺肿瘤区域成为一项极具挑战性的任务。BUSIS数据集的提出为研究人员提供了一个公开、标准化的乳腺超声图像分割基准，使得对现有方法的性能评估更为客观和公正。该数据集的建立不仅促进了乳腺超声图像分割技术的进步，也为乳腺肿瘤分割算法的研究和开发提供了宝贵的资源。

相关研究论文

• BUSIS: A Benchmark for Breast Ultrasound Image Segmentation

  哈尔滨工业大学计算机科学与技术学院, 爱达荷大学计算机科学系, 犹他州立大学计算机科学系, 哈尔滨工业大学(威海)计算机科学与技术学院, 青岛大学医学院附属医院超声科, 河北医科大学第二医院普通外科 · 2021年