Cardiac Acquisitions for Multi-structure Ultrasound Segmentation (CAMUS)

arXiv2019-08-22 更新2024-08-06 收录

下载链接：

http://arxiv.org/abs/1908.06948v2

下载链接

链接失效反馈

官方服务：

资源简介：

CAMUS数据集是用于超声心动图评估的最大公开可用且完全标注的数据集，包含来自500名患者的两腔和四腔采集，以及由一位心脏病专家对整个数据集的参考测量和三位心脏病专家对50名患者的折叠数据集的参考测量。

The CAMUS dataset is the largest publicly available and fully annotated dataset for echocardiography assessment. It includes two-chamber and four-chamber ultrasound acquisitions from 500 patients, with reference measurements for the entire dataset performed by one cardiologist and reference measurements for a subset of 50 patients conducted by three cardiologists.

创建时间：

2019-08-16

搜集汇总

数据集介绍

构建方式

CAMUS数据集源自法国圣埃蒂安大学医院500例患者的临床检查，使用GE Vivid E95超声扫描仪和M5S探头采集，遵循常规临床流程，未施加额外筛选条件。每例患者均获取心尖四腔和两腔切面的二维超声序列，并通过EchoPAC软件导出。所有图像经统一插值处理，转换至笛卡尔坐标系，空间分辨率沿x轴为0.3 mm、沿z轴为0.15 mm。三名心脏病专家参与标注，其中一名专家完成全部数据的心内膜、心外膜及左心房轮廓勾画，并确定舒张末期和收缩末期时相；另两名专家对50例患者子集进行独立标注，以评估观察者间及观察者内变异性。数据集按图像质量和左心室射血分数分布划分为10折，每折50例患者，用于交叉验证。

特点

CAMUS是目前最大的公开二维超声心动图全标注数据集，涵盖500例患者、1000个序列，包含心尖四腔和两腔切面，并提供了左心室心内膜、心外膜及左心房的精细手动分割参考。数据集高度异质，涵盖35%优质、46%中等和19%劣质图像，其中49%患者左心室射血分数低于45%，包含广泛的病理变异和采集条件差异，真实反映了临床日常实践。数据集还提供了50例患者的三位专家独立标注及一位专家的重复标注，支持观察者间与观察者内变异性分析。此外，数据集附有舒张末期和收缩末期容积及射血分数等临床指标，为深度学习方法的临床评估提供了基准。

使用方法

CAMUS数据集适用于训练和评估基于编码器-解码器架构的深度学习分割模型，如U-Net、ACNN、Stacked Hourglasses和U-Net++等。推荐采用10折交叉验证，每折以450例训练、50例测试。输入图像需统一缩放至256×256像素并进行密度归一化，输出为四类分割图（背景、左心室心内膜、心外膜、左心房）。可使用Dice系数、平均绝对距离和Hausdorff距离评估几何精度，结合左心室容积和射血分数的相关性、偏差及平均绝对误差评估临床指标。数据集可从CAMUS挑战官网下载，并支持通过Girder平台提交新结果进行基准测试。

背景与挑战

背景概述

二维超声心动图作为临床心脏结构与功能评估的核心影像学手段，其定量分析高度依赖于心内膜、心肌及左心房等结构的精确分割。然而，由于超声图像固有的低信噪比、斑点噪声、组织亮度不均以及心脏形态的病理变异性，全自动分割技术长期面临严峻挑战。在此背景下，由法国圣埃蒂安大学医院、挪威科技大学、鲁汶大学等机构的研究团队于2019年联合发布了CAMUS（Cardiac Acquisitions for Multi-structure Ultrasound Segmentation）数据集。该数据集首次提供了来自500例患者的500组二维心尖四腔与两腔视图序列，并附有由三位心脏病专家完成的手动标注，覆盖左心室内膜、心肌外膜及左心房结构。CAMUS的诞生旨在系统评估深度卷积神经网络在二维超声心动图分割与临床指标估算中的潜力，填补了该领域大规模公开标注数据的空白，成为推动超声影像智能分析研究的关键里程碑。

当前挑战

CAMUS数据集所应对的核心挑战包括：第一，超声图像固有的低对比度与伪影（如混响、声影、杂波）导致心内膜与心肌边界模糊，传统分割方法难以精确界定；第二，患者间显著的病理异质性（如左心室射血分数低于45%的病患占半数）与图像质量差异（19%为低质量图像）要求算法具备极强的鲁棒性；第三，构建过程中面临标注一致性难题——三位心脏病专家在50例患者子集上的分割差异显著（如左心室内膜Dice系数介于0.82至0.93），且仅标注一个完整心动周期的舒张末期与收缩末期帧，缺乏对时间连续性的考量；第四，数据导出与伦理合规的复杂性限制了大规模多中心、多厂商数据的整合，使得模型泛化能力验证尤为困难。

常用场景

经典使用场景

在二维超声心动图分析领域，心脏结构的精确分割是临床诊断的基石。CAMUS数据集作为迄今规模最大的公开标注二维超声心动图资源，其经典使用场景聚焦于利用编码器-解码器深度卷积神经网络对左心室内膜、心肌及左心房进行全自动分割。研究者通常基于该数据集训练U-Net等模型，以应对超声图像中对比度低、斑点噪声强、组织回声异质性显著等固有挑战，从而实现对舒张末期和收缩末期心脏结构的精准勾勒。

衍生相关工作

CAMUS数据集的发布催生了一系列衍生研究，包括对U-Net、堆叠沙漏网络、解剖约束神经网络及U-Net++等多种架构的横向比较。这些工作深入探讨了训练数据规模对分割性能的影响，揭示了在250例以上患者数据上训练时模型性能趋于饱和的现象。此外，研究者还探索了多结构联合分割策略、形状正则化技术以及时序一致性融合方法，为提升二维超声心动图自动分析的鲁棒性和临床可信度开辟了新的方向。

数据集最近研究