Breast Lesion Ultrasound Video Dataset

本研究首次收集并标注了一个用于乳腺病变检测的超声视频数据集，包含188个视频，旨在支持深度学习模型在视频级别的乳腺病变检测。数据集由厦门大学信息学院计算机科学系创建，涵盖了从肿瘤出现到最大部分再到消失的完整扫描过程。数据集中的视频由LOGIQ-E9和PHILIPS TIS L9-3设备获取，由两位具有八年乳腺病理学经验的病理学家手动标注病变区域并分类。该数据集主要用于训练和评估乳腺病变检测模型，特别是在动态视频中准确识别病变的能力。

This study is the first to collect and annotate an ultrasound video dataset for breast lesion detection, which contains 188 videos and is intended to support deep learning models in conducting video-level breast lesion detection. The dataset was developed by the Department of Computer Science, School of Information Science and Engineering, Xiamen University, and covers the complete scanning process from the appearance of breast lesions, through the stage of their largest size, to their final disappearance. The videos in the dataset were acquired using LOGIQ-E9 and PHILIPS TIS L9-3 ultrasound devices, and the lesion regions were manually annotated and classified by two pathologists with eight years of experience in breast pathology. This dataset is primarily used for training and evaluating breast lesion detection models, especially their capacity to accurately identify lesions in dynamic videos.

搜集汇总

数据集介绍

构建方式

本研究首次收集并标注了一个超声视频数据集，用于乳腺病变检测，包含188个视频，其中113个为恶性病变视频，75个为良性病变视频。该数据集由经验丰富的病理学家进行手动标注，包括病变区域的矩形框和相应的分类标签。为了增强模型对乳腺病变检测的鲁棒性，研究者们采用了数据增强技术，例如随机椒盐噪声，并在ResNet-50和Deformable DETR等预训练模型的基础上进行了微调。

特点

该数据集的特点在于其视频级的标注和丰富的病变类型，为乳腺病变检测提供了宝贵的数据资源。此外，该数据集还支持多种数据增强技术，有助于提高模型的泛化能力。实验结果表明，基于该数据集训练的CVA-Net模型在乳腺病变检测任务上取得了显著优于现有方法的性能。

使用方法

用户可以使用PyTorch框架和提供的代码实现对CVA-Net模型的训练和测试。在训练过程中，需要对数据进行随机水平翻转、缩放和裁剪等数据增强操作，以提升模型的鲁棒性。此外，用户还可以根据需要调整网络结构，例如移除病变分类分支或采用不同的数据增强技术，以适应不同的应用场景。

背景与挑战

背景概述

乳腺癌是全球女性死亡的主要原因之一。超声成像因其多功能性、安全性以及高灵敏度，目前已成为乳腺癌检测中最常用且最有效的方法。在超声影像中准确检测乳腺病变，对于辅助放射科医生进行乳腺癌诊断至关重要。然而，由于乳腺病变边界模糊、分布不均、动态变化等特性，在超声视频中准确检测乳腺病变仍然是一个挑战。现有的方法主要依赖于单个二维超声图像，或者将未标记的视频与标记的二维图像结合起来训练模型。为了解决这一问题，本文提出了一种新的数据集，名为Breast Lesion Ultrasound Video Dataset，包含188个超声视频，并使用CVA-Net模型进行乳腺病变检测。CVA-Net模型通过聚合视频级病变分类特征和剪辑级时间特征，有效地提高了乳腺病变检测的性能。

当前挑战

该数据集和相关模型在乳腺病变检测方面面临以下挑战：1) 乳腺病变边界模糊、分布不均、动态变化等特性，使得在超声视频中准确检测乳腺病变成为一个挑战。2) 构建一个包含足够数量和多样性的超声视频数据集，并进行准确的标注，是一个耗时且成本高昂的过程。3) 开发一个能够有效利用时间一致性，并在超声视频中进行乳腺病变检测的深度学习模型，需要解决模型复杂度、计算效率以及泛化能力等问题。4) 如何将CVA-Net模型应用于临床实践，并与其他诊断方法相结合，以提高乳腺癌诊断的准确性和效率，是一个有待探索的问题。

常用场景

经典使用场景

在乳腺超声视频中，该数据集被广泛应用于乳腺病变检测。通过聚合视频级病变分类特征和片段级时间特征，CVA-Net网络能够有效地提高乳腺病变检测的准确性。该数据集包含了188个乳腺超声视频，其中包含113个恶性视频和75个良性视频，为研究人员提供了宝贵的资源。

衍生相关工作

基于乳腺超声视频数据集，研究人员已经开展了许多相关工作。例如，通过改进CVA-Net网络的结构和算法，可以提高乳腺病变检测的准确性和鲁棒性。此外，还可以将该数据集应用于其他医学影像分析领域，如皮肤病变检测、肝脏病变检测等，为医学影像分析研究提供新的思路和方法。

数据集最近研究

最新研究方向

在乳腺癌诊断领域，乳腺超声图像的病变检测是至关重要的一步。传统的检测方法主要依赖于单个二维超声图像，或者将未标记的视频和标记的二维图像结合训练模型。然而，由于乳腺病变边界模糊、分布不均、大小和位置动态变化，准确地进行超声视频中的乳腺病变检测是一项挑战。本研究提出的CVA-Net网络，通过融合视频级别的病变分类特征和片段级别的时序特征，有效地提高了乳腺病变检测的准确性。此外，研究还收集和标注了一个包含188个视频的超声视频数据集，为乳腺病变检测提供了宝贵的资源。实验结果表明，CVA-Net在乳腺病变检测任务上取得了优于现有方法的性能，为乳腺病变检测研究提供了新的思路和方法。

相关研究论文

• A New Dataset and A Baseline Model for Breast Lesion Detection in Ultrasound Videos

  厦门大学信息学院计算机科学系 · 2022年