CACTUS (Cardiac Assessment and ClassificaTion of UltraSound)

CACTUS数据集是一个开放的心脏超声图像评估和分类数据集，由心血管成像专家评估和分级的心脏超声图像组成，包含了超过传统心脏视图的多种心脏视图和质量级别。该数据集通过扫描CAE Blue Phantom获得图像，旨在解决心脏超声图像分类和评估的自动化问题，推进医学领域的发展。

The CACTUS dataset is an open-access dataset dedicated to cardiac ultrasound image evaluation and classification. It consists of cardiac ultrasound images evaluated and graded by cardiovascular imaging experts, includes a broader range of cardiac views and quality levels than conventional standard ones, and all its images were acquired via scans of the CAE Blue Phantom. This dataset aims to address the automation challenges in cardiac ultrasound image classification and evaluation, thereby advancing the development of the medical field.

搜集汇总

数据集介绍

构建方式

CACTUS数据集的构建方式是通过扫描CAE Blue Phantom心脏模型，收集了各种心脏视图和不同质量级别的图像。这些图像被心血管成像专家根据清晰度和完整性进行评分，并分为从0（差质量）到10（最高质量）的等级。数据集包含了五种心脏视图：心尖四腔（A4C）、剑突下四腔（SC）、胸骨旁长轴（PL）、胸骨旁短轴主动脉瓣（PSAV）和胸骨旁短轴二尖瓣（PSMV），以及一组随机超声图像，这些图像没有特定的心脏视图。数据采集过程中考虑了超声参数，如深度、增益、动态范围、频率和功率，以产生不同质量的图像。数据集还包含了经过预训练的ResNet18模型，用于分类和评分心脏视图。

特点

CACTUS数据集的特点是它是第一个公开的、经过评分的心脏超声图像数据集，代表了不同的心脏视图。数据集包含了37,736张心脏超声图像，涵盖了五种心脏视图，并包含了随机超声图像。每张图像都根据清晰度和完整性进行了评分，这使得数据集非常适合用于训练深度学习模型进行图像分类和评分。此外，数据集还包含了预训练的ResNet18模型，可以用于快速分类和评分心脏视图。

使用方法

CACTUS数据集的使用方法包括以下步骤：首先，将数据集下载并解压缩。然后，使用图像预处理技术，如裁剪、调整大小和归一化，对图像进行预处理。接下来，使用预训练的ResNet18模型对图像进行分类和评分。最后，可以使用模型的输出结果进行进一步的分析和处理。此外，还可以使用数据集中的图像对其他深度学习模型进行训练和评估。

背景与挑战

背景概述

心脏超声（US）扫描是心脏病学中最常用的技术之一，用于诊断心脏健康及其正常功能。在典型的US扫描过程中，医疗专业人员会拍摄多张心脏图像，根据它们包含的心脏视图进行分类，重点关注高质量图像。然而，这项任务既耗时又容易出错。因此，有必要考虑自动化这些任务的方法，并协助医疗专业人员对心脏US图像进行分类和评估。机器学习（ML）技术被认为是解决方案，因为它们在开发旨在增强医疗领域的众多应用程序方面取得了成功，包括解决超声技术人员的短缺问题。然而，由于医疗数据的有限可用性，这给在心脏病学领域应用ML带来了重大障碍，尤其是关于心脏US图像。本文通过引入第一个开放分级的CACTUS数据集，解决了这一挑战，该数据集可用于在线访问。该数据集包含从扫描CAE Blue Phantom获得的图像，代表各种心脏视图和不同的质量级别，超过了文献中通常发现的常规心脏视图。此外，本文还引入了一个深度学习（DL）框架，包括两个主要组件。第一个组件负责使用卷积神经网络（CNN）架构根据心脏视图对心脏US图像进行分类。第二个组件使用迁移学习（TL）的概念，利用第一个组件的知识并对其进行微调，以创建用于分级和评估心脏图像的模型。该框架在分类和分级方面表现出高性能，准确率达到99.43%，误差低至0.3067。为了展示其鲁棒性，该框架还使用代表其他心脏视图的新图像进行进一步微调，并与几种其他最先进的架构进行了比较。该框架的结果及其在处理实时扫描方面的性能还通过心脏专家的回答问卷进行了评估。

当前挑战

该数据集当前面临的挑战包括：1) 心脏视图之间细微的差异使得DL模型难以区分它们；2) 如果我们为分类和分级建立两个独立的模型，则计算复杂性会增加；3) CNN模型需要能够适应新的患者的视角。为了解决这些挑战，本文提出了一个基于TL的DL框架，该框架利用共享的特征提取器，具有两个头部：一个用于分类，另一个用于分级。通过这种方法，模型可以使用新的心脏视图对数据进行微调，以探索其适应性。

常用场景

经典使用场景

CACTUS数据集作为心脏超声影像评估与分类的开源数据集，广泛应用于自动化心脏评估与分类的研究。它包含了从CAE Blue Phantom扫描得到的图像，覆盖了多种心脏视图和不同的图像质量等级。这些图像被心血管影像专家根据清晰度和完整性进行了评分，为研究心脏超声影像的深度学习模型提供了丰富的训练数据。该数据集最经典的使用场景是训练卷积神经网络(CNN)架构的模型，用于对心脏超声图像进行分类和评估。通过深度学习技术，该数据集能够帮助医疗专业人员更快速、更准确地识别和评估心脏结构，从而提高心脏疾病的诊断效率。

衍生相关工作

CACTUS数据集的发布，衍生了一系列相关的研究工作。例如，一些研究者利用该数据集训练深度学习模型，用于心脏超声影像的分类和评估，取得了显著的成果。此外，一些研究者还利用CACTUS数据集开发了一些心脏超声影像的自动分析系统，为医疗专业人员提供了实时的心脏评估结果。这些相关工作不仅推动了心脏超声影像领域的研究，也为其他医学影像领域的研究提供了参考。未来，随着CACTUS数据集的不断更新和完善，相信还会有更多相关的研究工作出现，推动心脏超声影像领域的发展。

数据集最近研究

最新研究方向

随着心脏超声成像技术在心血管疾病诊断中的广泛应用，自动化心脏评估和分类已成为研究热点。CACTUS数据集的提出为这一领域提供了首个公开的、分级的心脏超声图像数据集，包含各种心脏视图和不同质量水平的图像，为深度学习模型训练提供了宝贵资源。基于此数据集，研究团队开发了一个深度学习框架，该框架利用深度迁移学习技术，将心脏超声图像的分类和评估任务整合在一个模型中，实现了高精度和高效率。该框架在处理实时扫描方面表现优异，并通过专家问卷验证了其在临床应用中的潜力。未来，该研究将致力于扩展数据集，以涵盖更多心脏解剖结构，并将研究重点转向动态人类心脏扫描的实时分析，为心脏功能的数值量化及动态评估提供新的研究方向。

相关研究论文

• CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning

  Concordia Institute for Information Systems Engineering, Concordia University, Montreal, Canada · 2025年