MFreidank/glenda

GLENDA（妇科腹腔镜子宫内膜异位症数据集）包含超过350张注释的子宫内膜异位症病变图像，这些图像来自100多次妇科腹腔镜手术，以及来自20多次手术的超过13,000张未注释的非病理图像。该数据集专门用于自动内容分析问题，特别是在子宫内膜异位症识别的背景下。数据集的结构包括二进制分类和多类分类配置，每个配置都有详细的特征描述和数据分割信息。数据集的注释由子宫内膜异位症治疗领域的医学专家生成。数据集的使用仅限于科学研究目的，不能用于商业用途。GLENDA (Gynecological Laparoscopic Endometriosis Dataset) contains over 350 annotated images of endometriotic lesions, collected from more than 100 gynecological laparoscopic surgeries, alongside over 13,000 unannotated non-pathological images from more than 20 additional surgeries. This dataset is specifically designed for automated content analysis tasks, particularly in the context of endometriosis detection. The dataset structure supports both binary and multi-class classification setups, with detailed feature descriptions and data splitting information provided for each configuration. All annotations in the dataset were generated by medical experts specializing in endometriosis treatment. Usage of this dataset is strictly limited to scientific research purposes, and commercial use is prohibited.

原始信息汇总

数据集概述

名称: GLENDA - The ITEC Gynecologic Laparoscopy Endometriosis Dataset

语言: 英语（en）

许可证: CC BY-NC 4.0

多语言性: 单语种

大小: 10K<n<100K

任务类别: 图像分类

数据集结构

配置名称

• binary_classification
• multiclass_classification

特征

• 图像: 数据类型为图像
• 元数据: 结构包括id, width, height, file_name, path, flickr_url, coco_url, date_captured, case_id, video_id, frame_id, from_seconds, to_seconds
• 标签: 数据类型为类标签，binary_classification包含no_pathology和endometriosis两个类别，multiclass_classification包含No-Pathology, 6.1.1.1_Endo-Peritoneum, 6.1.1.2_Endo-Ovar, 6.1.1.3_Endo-TIE, 6.1.1.4_Endo-Uterus五个类别

数据分割

• 训练集: 大小为4524957字节，包含13811个样本

下载与数据集大小

• 下载大小: 895554144字节
• 数据集大小: 4524957字节

搜集汇总

数据集介绍

构建方式

GLENDA数据集构建于妇科腹腔镜手术视频的基础上，专注于子宫内膜异位症的识别与分析。数据集包含超过350张由100多例手术中提取的子宫内膜异位症病变图像，以及超过13,000张未标注的非病理图像。这些图像由医学专家进行标注，确保了数据的准确性和专业性。数据集的设计旨在支持多种自动内容分析任务，特别是在子宫内膜异位症的识别领域。

特点

GLENDA数据集的特点在于其高质量的专业标注和丰富的图像内容。数据集不仅提供了详细的区域标注，还包含了多种病理类别的图像，如腹膜、卵巢、深部浸润及子宫的子宫内膜异位症。此外，数据集还提供了非病理图像作为对照，增强了其在图像分类任务中的应用价值。这些特点使得GLENDA成为研究子宫内膜异位症的重要资源。

使用方法

GLENDA数据集主要用于图像分类任务，包括二分类（病理与非病理）和多分类（不同病理类型）任务。研究人员可以利用该数据集训练和测试机器学习模型，以提高子宫内膜异位症的自动识别能力。数据集的使用需遵循CC BY-NC 4.0许可，仅限于非商业用途，且需适当引用原始数据集。此外，数据集的使用者应访问官方网站获取更多信息和联系方式，以确保合规使用。

背景与挑战

背景概述

GLENDA（Gynecologic Laparoscopy ENdometriosis DAtaset）是由奥地利阿尔卑斯-亚德里亚大学信息科技研究所（ITEC）的多媒体系统研究团队于2020年发布的一个专注于子宫内膜异位症识别的医学图像数据集。该数据集由医学专家精心标注，包含超过350张来自100多例妇科腹腔镜手术的子宫内膜异位症病变图像，以及超过13,000张未标注的非病理图像。GLENDA的创建旨在为子宫内膜异位症的自动内容分析提供数据支持，特别是在图像分类和病变检测任务中。该数据集的发布填补了医学图像领域在子宫内膜异位症研究中的空白，为计算机视觉和机器学习在医学诊断中的应用提供了重要的数据基础。

当前挑战

GLENDA数据集在构建和应用过程中面临多重挑战。首先，子宫内膜异位症的病变形态多样且复杂，病变位置和严重程度在不同患者中差异显著，这为图像分类和病变检测任务带来了较高的难度。其次，数据集的标注依赖于医学专家的专业知识，标注过程耗时且成本高昂，同时需确保标注的一致性和准确性。此外，由于医学数据的敏感性，数据集的获取和使用受到严格的伦理和法律限制，仅限用于非商业的科学研究。这些挑战不仅影响了数据集的构建效率，也对后续的算法开发和模型训练提出了更高的要求。

常用场景

经典使用场景

GLENDA数据集在医学图像分析领域具有重要应用，尤其是在子宫内膜异位症的自动识别与分类任务中。该数据集通过提供大量经过专家标注的腹腔镜手术图像，支持研究人员开发基于深度学习的图像分类模型。这些模型能够从复杂的腹腔镜视频中自动识别出子宫内膜异位症的不同病理类型，为临床诊断提供辅助工具。

衍生相关工作

GLENDA数据集自发布以来，已衍生出多项经典研究工作。例如，基于该数据集的深度学习模型在子宫内膜异位症的自动检测和分类任务中取得了显著进展。此外，该数据集还被用于开发多模态医学图像分析系统，结合腹腔镜视频和其他医学影像数据，进一步提升诊断的准确性和效率。这些研究为医学图像分析领域提供了新的思路和方法。

数据集最近研究

最新研究方向

在妇科内窥镜领域，GLENDA数据集为子宫内膜异位症的自动识别与分析提供了重要的数据支持。近年来，随着深度学习技术的快速发展，基于该数据集的研究主要集中在图像分类与病变定位的自动化算法开发上。研究者们通过结合卷积神经网络（CNN）与迁移学习技术，显著提升了子宫内膜异位症的检测精度与效率。此外，多类别分类任务的引入使得模型能够更细致地区分不同类型的病变，如腹膜、卵巢、深部浸润及子宫内异位症。这些研究不仅推动了计算机视觉在医学影像分析中的应用，也为临床医生提供了更高效的工具，助力于早期诊断与个性化治疗方案的制定。