MICCAI 2017 Multi-Modality Whole Heart Segmentation (MM-WHS)

MICCAI 2017 Multi-Modality Whole Heart Segmentation (MM-WHS) 数据集包含20个MRI和20个CT心脏图像，每个图像都有精确的手动分割标注。这些图像来自不同的患者和不同的地点，用于评估跨模态域适应在心脏分割任务中的应用。数据集中的图像经过重新定向、调整大小和裁剪，以中心心脏区域为中心，以便于多模态图像的视图大致相同。该数据集主要用于评估深度学习模型在未配对MRI和CT数据上的域适应能力，特别是针对心脏结构的分割任务，如升主动脉、左心房血腔、左心室血腔和左心室心肌。

The MICCAI 2017 Multi-Modality Whole Heart Segmentation (MM-WHS) dataset contains 20 MRI and 20 CT cardiac images, each paired with precise manual segmentation annotations. These images are collected from diverse patients and different medical institutions, and are intended to evaluate cross-modal domain adaptation for cardiac segmentation tasks. All images in the dataset have been reoriented, resized, and cropped to center on the cardiac region, ensuring that the views of multi-modal images are roughly consistent. This dataset is primarily used to assess the domain adaptation capabilities of deep learning models on unpaired MRI and CT data, particularly for cardiac structure segmentation tasks including the ascending aorta, left atrial blood pool, left ventricular blood pool, and left ventricular myocardium.

搜集汇总

数据集介绍

构建方式

在心脏影像分析领域，跨模态数据集的构建面临严峻挑战。MICCAI 2017 MM-WHS数据集源自MICCAI 2017多模态全心脏分割挑战赛，精心收集了20例心脏MRI和20例心脏CT影像，均附带精确的手动分割标注。这些影像数据来自不同患者和不同采集站点，因此MRI与CT数据之间呈现非配对特性。为促进跨模态域适应研究，该数据集经过系统预处理，包括重新定向、尺寸调整及以心脏区域为中心的裁剪，确保多模态影像在视觉层面上基本对齐。此外，所有影像均进行了强度归一化处理，并辅以旋转、缩放等数据增强策略，以扩充训练样本的多样性，为模型训练提供稳健基础。

使用方法

该数据集主要用于推动无监督跨模态域适应方法的研究与评估。典型的使用范式是，将一种模态（如MRI）作为源域，利用其全标注数据训练分割模型；而将另一种模态（如CT）作为目标域，仅使用其无标注影像，通过域适应技术使模型能够泛化至目标域。研究中常采用Dice系数和平均表面距离等指标定量评估分割性能。为构建公平比较基准，数据集通常被随机划分为训练集与测试集。该数据集已成为验证新型域适应网络（如PnP-AdaNet）性能的重要平台，其公开可用性极大地促进了医学影像分析领域对于模型泛化能力与鲁棒性的深入探索。

背景与挑战

背景概述

MICCAI 2017 Multi-Modality Whole Heart Segmentation (MM-WHS) 数据集由香港中文大学、帝国理工学院及复旦大学等机构的研究团队于2017年构建，旨在应对医学影像分析中跨模态心脏结构分割的核心研究问题。该数据集包含20例磁共振成像（MRI）和20例计算机断层扫描（CT）心脏影像，并提供了精确的手动分割标注，为探索无监督域适应方法在跨模态医学图像分割中的应用奠定了重要基础。其发布显著推动了心脏影像分析领域的发展，成为评估深度学习模型泛化能力的关键基准，尤其在处理MRI与CT图像间显著域偏移的挑战中发挥了引领作用。

当前挑战

该数据集所解决的领域问题在于跨模态心脏结构分割，其核心挑战源于MRI与CT图像间存在的严重域偏移，表现为强度分布、对比度及纹理特征的显著差异，导致在单一模态上训练的深度分割模型直接应用于另一模态时性能急剧下降。构建过程中的挑战包括跨模态医学影像数据稀缺且获取成本高昂，需协调不同成像协议与患者来源以构建无配对的多模态数据集；同时，手动分割标注极为耗时，每例心脏影像的分割需耗费专业人员长达8小时，且需确保标注在不同模态间的一致性，以支持可靠的模型评估与域适应研究。

常用场景

经典使用场景

在医学影像分析领域，多模态心脏分割数据集MM-WHS为跨模态无监督域适应研究提供了经典范例。该数据集整合了磁共振成像与计算机断层扫描两种模态的心脏影像，其核心应用场景在于评估深度学习模型在分布差异显著的数据间的泛化能力。研究者常利用此数据集设计对抗性网络架构，通过特征空间对齐策略，实现从一种模态到另一种模态的语义分割模型迁移，从而克服标注数据稀缺的瓶颈。

解决学术问题

MM-WHS数据集主要针对跨模态医学影像分析中域偏移这一核心学术难题。它通过提供配对的心脏结构标注，使研究者能够系统探索无监督域适应方法，解决模型在MRI与CT间因强度分布、对比度差异导致的性能退化问题。该数据集推动了特征对齐、对抗学习等技术的创新，显著提升了分割模型在新模态数据上的鲁棒性，为多模态融合与模型泛化理论提供了实证基础。

实际应用

在实际临床环境中，MM-WHS数据集支持心脏疾病诊断与手术规划中的多模态影像协同分析。例如，利用CT训练的分割模型可适应至MRI数据，辅助医生在辐射自由的MRI影像中快速定位心脏腔室与心肌结构，提升诊疗效率。该数据集亦促进了跨设备、跨协议的心脏影像分析工具开发，为个性化医疗与自动化诊断系统提供了可靠的数据支撑。

数据集最近研究

最新研究方向

在医学影像分析领域，MICCAI 2017 MM-WHS数据集已成为跨模态心脏分割研究的重要基准。近期研究聚焦于无监督域适应技术，以应对MRI与CT图像间显著的分布差异。PnP-AdaNet等先进方法通过对抗性学习对齐特征空间，实现了跨模态分割模型的有效迁移，推动了多模态数据融合在临床诊断中的应用。这一方向不仅提升了模型在异构数据上的泛化能力，还为心脏疾病量化分析提供了更可靠的自动化工具，具有重要的临床意义与研究价值。

相关研究论文

• PnP-AdaNet: Plug-and-Play Adversarial Domain Adaptation Network with a Benchmark at Cross-modality Cardiac Segmentation

  中国香港中文大学计算机科学与工程系 · 2018年