Kidney Pathology Image Segmentation (KPIs) Challenge 数据集

Kidney Pathology Image Segmentation (KPIs) Challenge 数据集是由范德比尔特大学组织的一个医学图像分析数据集。该数据集包含来自60多张过碘酸希夫（PAS）染色全切片图像的超过10,000个已注释的肾小球，涵盖了正常和多种慢性肾病（CKD）模型的预临床小鼠模型。数据集分为训练、验证和测试集，旨在推动肾脏病理学图像分析的进步，为疾病研究和诊断提供精确的大规模量化。

The Kidney Pathology Image Segmentation (KPIs) Challenge dataset is a medical image analysis dataset organized by Vanderbilt University. This dataset contains over 10,000 annotated glomeruli from more than 60 periodic acid-Schiff (PAS) stained whole-slide images, derived from preclinical mouse models of both normal healthy status and multiple chronic kidney disease (CKD) models. The dataset is split into training, validation, and test sets, aiming to advance kidney pathology image analysis and provide accurate large-scale quantification for disease research and clinical diagnosis.

搜集汇总

数据集介绍

构建方式

Kidney Pathology Image Segmentation (KPIs) Challenge 数据集的构建旨在推动肾脏病理学图像分割技术的进步。该数据集包含来自60多张Periodic Acid Schiff (PAS) 染色的全切片图像，涵盖了超过10,000个已标注的肾小球。数据集分为训练集、验证集和测试集，并包括正常和多种慢性肾脏病（CKD）模型的图像。构建过程中，图像被分割成高分辨率的小块，以供算法进行分割和检测，并使用Dice Similarity Coefficient (DSC) 和 F1-score进行评估。

使用方法

KPIs Challenge 数据集的使用方法包括两个主要任务：块级分割和全切片图像级分割和检测。在块级分割任务中，参与者需要对特定图像块中的肾小球进行分割。在全切片图像级分割任务中，参与者需要对整个肾脏切片图像中的肾小球进行分割和检测。参与者可以开发算法来完成这两个任务中的一个或两个。数据集的评估指标包括Dice Similarity Coefficient (DSC) 和 F1-score，以确保分割的准确性和检测的全面性。

背景与挑战

背景概述

慢性肾脏病（CKD）是全球性的健康问题，影响着全球超过10%的人口，并导致高死亡率。肾活检仍然是CKD诊断和治疗的金标准，但由于缺乏全面的肾脏病理分割基准，该领域的发展受到了阻碍。为了解决这一问题，研究人员组织了肾脏病理图像分割（KPIs）挑战，并引入了一个包含超过10,000个注释肾小球的数据集，这些肾小球来自60多张过碘酸希夫（PAS）染色的全切片图像。该挑战包括两个任务：块级分割和全切片图像分割与检测，使用Dice相似性系数（DSC）和F1分数进行评估。通过鼓励适应不同CKD模型和组织条件的创新分割方法，KPIs挑战旨在推进肾脏病理分析，建立新的基准，并为疾病研究和诊断实现精确、大规模的量化。该数据集的研究背景包括创建时间、主要研究人员或机构、核心研究问题以及对相关领域的影响力等。

当前挑战

KPIs挑战的领域问题是肾脏病理图像分割，尤其是肾小球分割。构建过程中遇到的挑战包括：1) 由于肾活检通常通过针活检获得，因此获得的样本很小，导致现有公开数据集中缺乏来自CKD患者的样本；2) 肾小球结构的复杂性和染色方法的变异性对分割性能产生负面影响；3) 处理大型全切片图像需要大量的计算资源，这对算法的效率和鲁棒性提出了挑战；4) 获取全切片图像的像素级注释需要大量的人工工作，导致监督学习模型的训练数据有限。KPIs挑战旨在通过引入包含来自患病啮齿动物的全肾切片的数据集来解决这些挑战，并鼓励开发能够在不同CKD模型和组织条件下进行精确分割的算法。

常用场景

经典使用场景

在慢性肾脏疾病（CKD）的诊断和治疗中，肾活检一直是金标准。然而，缺乏全面的肾脏病理分割基准数据集限制了该领域的研究进展。KPIs数据集通过引入超过10,000个注释的肾小球，旨在解决这一挑战。该数据集包括来自60多个过碘酸-雪夫（PAS）染色全切片图像的肾小球，涵盖了从正常到多种CKD模型的病理变化。该数据集被用于两个任务：块级分割和全切片图像分割与检测，评估指标包括Dice相似性系数（DSC）和F1分数。通过鼓励创新分割方法，以适应不同的CKD模型和组织条件，KPIs挑战旨在推进肾脏病理分析，建立新的基准，并实现疾病研究和诊断的精确、大规模量化。

解决学术问题

KPIs数据集解决了肾脏病理分割领域长期存在的缺乏全面基准数据集的问题。该数据集涵盖了从正常到多种CKD模型的病理变化，为研究人员提供了多样化的肾脏组织样本。通过引入全切片图像分割和检测任务，KPIs挑战推动了肾脏病理图像分析的进步，并为评估分割方法提供了更全面的基准。此外，KPIs数据集还强调了分割算法在处理不同CKD模型和组织条件下的适应性和精确性，为肾脏病理学研究和临床应用提供了有价值的资源。

实际应用

KPIs数据集的实际应用场景包括但不限于：1. CKD的早期诊断：通过自动分割肾小球，可以更快速、准确地识别CKD的病理特征，从而实现早期诊断。2. CKD的治疗评估：通过对肾脏组织的分割和量化，可以评估治疗效果，为个性化治疗提供依据。3. 基础研究：KPIs数据集为研究人员提供了丰富的肾脏组织样本，有助于深入理解CKD的病理机制，为疾病研究提供数据支持。4. 教育和培训：KPIs数据集可以作为教学和培训工具，帮助学生和病理学家学习和掌握肾脏病理分割技术。

数据集最近研究

最新研究方向

基于KPIs挑战的肾脏病理图像分割研究正聚焦于从切片级到整张切片级别的肾小球分割技术。该挑战引入了一个包含超过10,000个被注释的肾小球的肾脏病理图像数据集，旨在推动肾脏病理分析领域的发展。研究参与者被要求开发能够在像素级别准确分割肾小球的算法，以适应不同的CKD模型和组织条件。该挑战包括两个任务：切片级别分割和整张切片图像分割与检测，并使用Dice相似性系数和F1分数进行评估。通过鼓励创新的分割方法，KPIs挑战旨在提高肾脏病理分析能力，建立新的基准，并使疾病研究和诊断能够实现精确的大规模量化。

相关研究论文

• KPIs 2024 Challenge: Advancing Glomerular Segmentation from Patch- to Slide-Level

  范德比尔特大学, 纳什维尔, 田纳西州 37215, 美国 · 2025年