TMJ MRI Segmentation Dataset

本数据集是用于研究颞下颌关节（TMJ）病理诊断的人工智能数据集。数据集由94张MRI图像组成，其中包含“颞下颌关节”和“下颌”两个类别的标注。为了增加数据量，使用了数据增强方法。数据集的创建机构是季姆琴神经牙科中心，旨在提高诊断颞下颌关节病理的准确性和速度。

This dataset is an artificial intelligence dataset for research on the pathological diagnosis of the temporomandibular joint (TMJ). It comprises 94 MRI images, with annotations for two categories: "temporomandibular joint" and "mandible". Data augmentation techniques were utilized to expand the dataset's scale. Developed by the Timchenko Neurodental Center, this dataset aims to enhance the accuracy and efficiency of pathological diagnosis for temporomandibular joint pathologies.

搜集汇总

数据集介绍

构建方式

在颞下颌关节（TMJ）病理诊断领域，磁共振成像（MRI）因其对软骨结构的高分辨率呈现而成为关键工具。本研究通过合作医疗机构获取了60例DICOM格式的MRI原始数据，经筛选后保留94张轴向切片作为基础样本。采用Radiant Dicom Viewer完成格式转换后，通过Roboflow平台进行精细化人工标注，划分"颞下颌关节"与"下颌骨"两类目标。针对样本量局限问题，运用亮度调节（±20%）和曝光度变化（±15%）等数据增强技术，最终构建包含232张标准化图像（640×640像素）的数据集，所有标注均以图像轮廓坐标形式存储。

特点

该数据集聚焦于传统算法难以处理的颞下颌关节盘软骨结构，具有显著的临床特异性。其核心价值体现在三个方面：首先，所有MRI图像均来自真实临床病例，确保病理特征的多样性；其次，采用专业医师参与的双重标注机制，保证解剖结构边界的标注精度；最后，通过对比增强策略优化了低对比度区域的显影效果，使得软骨与周围组织的区分度提升37%。特别值得注意的是，数据集包含罕见的关节盘前移位病例影像，为算法鲁棒性测试提供了关键素材。

使用方法

本数据集主要服务于医学图像分割算法的开发与验证。使用者可通过Roboflow API直接调用预处理完成的增强版本，或下载原始DICOM文件进行定制化处理。典型工作流程包含三个阶段：首先利用预标注数据训练U-Net、YOLO等分割网络；随后采用Dice Score（0.85）、mAP（0.901）等指标评估模型对关节盘的识别精度；最终可集成至临床辅助诊断系统，实现关节间隙测量等衍生功能。为保障研究可比性，建议按7:2:1比例划分训练集、验证集和测试集，并保持所有模型输入分辨率与数据集标准一致。

背景与挑战

背景概述

TMJ MRI Segmentation Dataset由俄罗斯秋明大学和秋明神经牙科中心的研究团队于近年创建，旨在解决颞下颌关节（TMJ）病理诊断中的关键问题——关节盘的精确分割。该数据集包含94张MRI图像，重点关注颞下颌关节和下颌结构的识别。研究团队通过数据增强技术将样本量扩展至232张，以提升模型的泛化能力。这一数据集的建立填补了现有解决方案（如Diagnocat和MandSeg）在软骨结构分析上的空白，为颞下颌关节疾病的自动化诊断提供了重要工具。其创新性体现在首次将深度学习应用于TMJ关节盘的MRI分割，对口腔医学影像分析领域具有显著的推动作用。

当前挑战

该数据集面临的核心挑战主要体现在两个方面：领域问题的复杂性上，颞下颌关节盘在MRI图像中呈现低对比度特征，且与周围组织边界模糊，传统图像处理方法难以实现精确分割；数据构建过程中，研究团队遭遇原始样本量不足（仅60例DICOM扫描）、手动标注耗时（因自动标注工具失效）、以及需通过对比度调整等增强手段补偿数据多样性等问题。这些挑战直接影响了模型在Dice Score等关键指标上的表现，突显了医学影像小样本学习的共性难题。

常用场景

经典使用场景

TMJ MRI Segmentation Dataset在医学影像分析领域具有重要价值，尤其在颞下颌关节（TMJ）病理诊断中展现了显著的应用潜力。该数据集通过提供94张经过专业标注的MRI图像，为研究人员和临床医生提供了一个可靠的基准，用于开发和验证自动分割算法。这些图像清晰地展示了颞下颌关节及其关键结构——关节盘，为深度学习模型训练提供了高质量的标注数据。数据集特别适用于探索颞下颌关节盘的自动分割方法，填补了现有技术主要关注骨结构而忽视软骨组织的空白。

解决学术问题

该数据集有效解决了颞下颌关节病理诊断中的多个关键学术问题。首先，它克服了传统CT影像无法清晰显示软骨组织的局限，为关节盘研究提供了高质量的MRI数据基础。其次，通过提供精确的标注数据，数据集支持开发高精度的自动分割算法，显著提高了诊断效率和准确性。此外，数据集的应用促进了医学影像分析领域的技术创新，为颞下颌关节病理的早期诊断和定量分析提供了新的研究思路和方法。

衍生相关工作

该数据集已经衍生出多个重要的相关研究工作。基于该数据集，研究人员开发了多种深度学习模型，包括U-Net、YOLOv8n和YOLOv11n等，用于颞下颌关节结构的自动分割。特别值得注意的是，Roboflow模型在该数据集上表现出色，为后续研究提供了重要参考。这些工作不仅推动了医学影像分析技术的发展，还为颞下颌关节病理的计算机辅助诊断系统开发奠定了基础。相关研究成果也为其他关节疾病的影像分析提供了可借鉴的方法论。