pT1 Gland Graph Dataset (GG-pT1)

该数据集包含来自pT1癌症患者的肠道腺体分割数据。每个图像包含26张裁剪后的腺体图像（13张正常，13张异常），以及相应的标签、注释掩码和特征文件。此外，还提供了数据集分割、特征概览和实验参数等文件。

This dataset comprises segmentation data of intestinal glands from patients with pT1 cancer. Each image includes 26 cropped gland images (13 normal and 13 abnormal), along with corresponding labels, annotation masks, and feature files. Additionally, the dataset provides files for dataset segmentation, feature overview, and experimental parameters.

原始信息汇总

pT1 Gland Graph Dataset (GG-pT1)

数据集概述

• 来源: 来自pT1癌症患者的肠道腺体分割数据集。
• 内容:
  • 图像: 每张图像包含26张裁剪的腺体图像（13张正常，13张异常）。
    • image_labels.csv: 每张图像和图形的分类标签（正常或异常）。
    • 每张图像对应一个文件夹，其中包含每个裁剪区域的文件夹，包含：
      • 裁剪的腺体图像 (*-image.jpg)
      • 注释掩码 (*-gt.png)
      • 特征Excel文件 (*-features.xlsx)
  • 文本文件:
    • dataset_split.csv: 所有4个交叉验证的参考、验证和测试集分割。
    • feature_overview.csv: 所有可能节点特征的列表（包括枚举、均值和标准差）。
    • ged-costs.csv: 不同实验的参数。
  • 图形:
    • 基础数据集: 带有特征的细胞分割（仅节点）。
    • 论文中的图形:
      • 基线
      • 优化图

性能指标

• 当前最佳性能: 83.3±1.7（4折交叉验证）。

引用信息

• 引用文献:

  @inproceedings{studer2019graph, title={Graph-based Classification of Intestinal Glands in Colorectal Cancer Tissue Images}, author={Studer, Linda and Toneyan, Shushan and Zlobec, Inti and Dawson, Heather and Fischer, Andreas}, booktitle={COMPAY Workshop, International Conference on Medical Image Computing and Computer-Assisted Intervention}, year={2019} }

搜集汇总

数据集介绍

构建方式

pT1 Gland Graph Dataset (GG-pT1) 数据集的构建基于pT1期癌症患者的肠道腺体分割任务。每张原始图像被裁剪为26个子图像，其中13张为正常腺体，13张为异常腺体。每个裁剪图像均包含腺体图像、标注掩码以及特征数据文件。数据集的构建过程通过精确的腺体分割和特征提取，确保了数据的多样性和代表性。此外，数据集还提供了详细的图像分类标签和特征统计信息，为后续的机器学习任务奠定了坚实的基础。

特点

GG-pT1数据集的特点在于其高度结构化的数据组织形式和丰富的特征信息。每个腺体图像均配有精确的标注掩码和特征文件，涵盖了细胞分割的基础特征以及实验优化的图结构特征。数据集还提供了四折交叉验证的分割文件，便于模型评估和比较。其独特的图结构数据形式为图神经网络等先进算法的应用提供了理想的研究平台。此外，数据集的公开性能基准为83.3±1.7，为研究者提供了明确的性能参考目标。

使用方法

GG-pT1数据集的使用方法灵活多样，适用于多种机器学习任务。研究者可通过提供的图像标签和特征文件进行腺体分类任务，或利用图结构数据进行图匹配和图神经网络训练。数据集的分割文件支持四折交叉验证，便于模型的性能评估和优化。使用该数据集时，建议引用相关论文以尊重数据贡献者的工作。此外，数据集还提供了GED计算参数，支持进一步的实验设计和性能提升。通过结合数据集提供的丰富特征和标注信息，研究者可深入探索肠道腺体分类及其在癌症诊断中的应用潜力。

背景与挑战

背景概述

pT1 Gland Graph Dataset (GG-pT1) 是由Linda Studer等研究人员于2019年在COMPAY Workshop上发布的一个专注于结直肠癌pT1期患者肠道腺体分割的数据集。该数据集旨在通过图结构数据对正常和异型增生的腺体进行分类，为结直肠癌的早期诊断提供支持。数据集包含从每张图像中裁剪出的26个腺体图像（13个正常，13个异型增生），并提供了图像标签、注释掩码以及特征文件。该数据集的研究成果已在医学图像计算与计算机辅助干预领域产生了重要影响，推动了基于图结构的腺体分类方法的发展。

当前挑战

GG-pT1数据集的核心挑战在于如何通过图结构数据准确区分正常与异型增生的腺体，这对结直肠癌的早期诊断至关重要。当前最先进的分类性能为83.3±1.7，仍有提升空间。此外，数据集的构建过程中面临腺体图像裁剪、特征提取以及图结构优化的技术难题。如何在复杂的组织背景下实现高精度的腺体分割，并提取具有判别性的特征，是数据集构建中的主要挑战。同时，图结构的优化与匹配算法的设计也对分类性能的提升提出了更高的要求。

常用场景

经典使用场景

pT1 Gland Graph Dataset (GG-pT1) 数据集在医学图像分析领域具有重要应用，尤其是在结直肠癌组织的腺体分割任务中。该数据集通过提供正常和异型增生的腺体图像及其标注，为研究人员提供了一个标准化的基准，用于开发和评估腺体分割算法。其经典使用场景包括基于图结构的腺体分类和特征提取，帮助研究者深入理解腺体形态学特征与癌症进展之间的关系。

衍生相关工作

GG-pT1 数据集衍生了一系列经典研究工作，例如基于改进二分图匹配的腺体分类方法，该方法在 COMPAY19 研讨会上取得了 83.3% 的分类准确率。此外，该数据集还启发了基于图神经网络的研究，进一步提升了腺体分类的性能。这些工作不仅验证了数据集的科学价值，也为后续研究提供了重要的参考和基础。

数据集最近研究

最新研究方向

在结直肠癌研究领域，pT1 Gland Graph Dataset (GG-pT1) 的最新研究方向主要集中在利用图神经网络（GNN）和图像分割技术对肠道腺体进行精确分类和分割。该数据集通过提供正常和异型增生的腺体图像及其特征，为研究者提供了丰富的实验材料。当前的研究热点包括优化图匹配算法以提高分类精度，以及探索多模态数据融合方法，结合病理图像和临床数据，进一步提升诊断的准确性。该数据集在COMPAY19 Workshop上发布，并已在多个研究中得到应用，推动了结直肠癌早期诊断技术的发展。最新的研究成果显示，基于改进的二分图匹配方法，分类准确率已达到83.3±1.7，为后续研究设定了新的基准。