AeroPath

AeroPath数据集是由挪威科技大学创建的，包含27个CT图像，这些图像来自患有从肺气肿到大型肿瘤等不同病理的患者。数据集的创建过程涉及使用区域生长和3D Slicer软件进行初步分割，随后通过手动修正进行细化。该数据集主要用于开发和评估用于支气管镜检查规划和实时指导的自动气道分割方法，特别是在处理具有挑战性病理的患者时。

The AeroPath Dataset was developed by the Norwegian University of Science and Technology. It comprises 27 CT images obtained from patients with a wide range of pathologies, from emphysema to large tumors. The dataset creation process involved preliminary segmentation using region growing and 3D Slicer software, followed by refinement via manual corrections. This dataset is primarily utilized for developing and evaluating automated airway segmentation methods for bronchoscopy planning and real-time guidance, especially when handling patients with challenging pathologies.

搜集汇总

数据集介绍

构建方式

AeroPath数据集的构建旨在为肺病患者的早期诊断和治疗提供支持。该数据集由27张来自患有从肺气肿到大型肿瘤等不同病理变化的患者的CT图像组成，并附有相应的气管和支气管标注。为了确保数据的可靠性和准确性，数据收集过程得到了挪威区域伦理委员会的批准，所有患者均签署了书面知情同意书。标注过程分为三个步骤：首先使用区域增长或生长-切割方法提取最大的成分（即气管和第一分支）；其次使用BronchiNet分割较小的外围气道；最后进行手动校正以连接支气管碎片并去除无法连接的假阳性。所有标注均由一位经过培训的工程师在肺部学家的监督下完成，并由肺部学家逐个案例进行验证。

特点

AeroPath数据集的主要特点在于其包含的病理变化范围广泛，代表了自动分割方法所面临的挑战。该数据集不仅包括健康患者的气道树，还包括因肺病引起的气道树解剖结构严重变化的患者的气道树。此外，该数据集仅包含增强CT扫描，而ATM'22数据集则基于非增强扫描。增强CT图像中的血管更亮，因此更容易识别，这为模型训练提供了额外的指导。AeroPath数据集的平均每例CT扫描包含128±56个分支，这为研究提供了丰富的标注数据。

使用方法

AeroPath数据集的使用方法主要包括以下几个方面：首先，数据集可用于训练和测试深度学习模型，以改善肺病患者的气道分割。其次，该数据集可用于评估和比较不同的气道分割方法，以确定最佳的性能指标。最后，AeroPath数据集可用于开发新的气道分割工具和应用程序，以帮助医生进行支气管镜检查的规划和实时引导。此外，该数据集还提供了一个开源的网络应用程序，方便用户在自己的数据上测试提出的模型。

背景与挑战

背景概述

AeroPath数据集是在2023年由挪威特隆赫姆的SINTEF健康研究部门、Sopra Steria应用解决方案部门、St.Olavs医院胸科医学部门和St.Olavs医院研究部门的研究人员共同创建的。该数据集的发布旨在提升肺部疾病，尤其是肺癌患者的预后，通过早期诊断和治疗来最大化生存率和患者疗效。AeroPath数据集包括27例患者的CT图像，这些患者患有从肺气肿到大型肿瘤等多种肺部病理。该数据集提供了相应的气管和支气管标注，对于干预计划和支气管镜检查中的实时引导至关重要。AeroPath数据集的发布对相关领域产生了重大影响，它不仅为基于深度学习的模型训练提供了数据支持，而且显著提高了现有技术的空气道分割任务。该数据集的创建填补了ATM'22数据集在严重病理患者方面的空白，为开发新的最先进方法做出了贡献。

当前挑战

AeroPath数据集面临的挑战包括：1)解决领域问题：AeroPath数据集旨在解决肺部疾病，尤其是肺癌患者的早期诊断和治疗问题，这对于提升患者预后至关重要。2)构建过程中的挑战：AeroPath数据集的构建过程中，研究人员面临的主要挑战包括收集和标注具有严重病理的患者的CT图像，以及开发一个能够处理各种异常情况，包括至少第五代气道生成的自动气道分割模型。此外，研究人员还面临开发一个易于测试新数据上提出模型的开放网络应用的挑战。

常用场景

经典使用场景

AeroPath数据集在空气道分割任务中具有广泛的应用，其经典使用场景包括但不限于：1) 训练深度学习模型进行空气道分割，以辅助诊断和治疗肺部疾病；2) 为支气管镜检查提供规划与实时引导，提高诊断准确性和安全性；3) 研究和开发新的空气道分割方法，推动相关领域的技术进步。

解决学术问题

AeroPath数据集的发布解决了现有数据集在包含严重病理患者方面的不足，为研究肺部疾病的空气道分割提供了更具挑战性的测试平台。该数据集有助于评估和改进空气道分割模型的鲁棒性和准确性，特别是在处理复杂病理情况下的空气道分割问题。此外，AeroPath数据集还促进了多尺度融合设计等新方法的研发，为解决空气道分割任务中的难点问题提供了新的思路。

衍生相关工作

AeroPath数据集的发布促进了相关领域的研究和发展，衍生了以下经典工作：1) 基于AeroPath数据集，研究人员提出了多尺度融合设计，提高了空气道分割模型的性能；2) 利用AeroPath数据集，研究人员开发了新的空气道分割方法，如AGU-Net，并在AeroPath数据集上取得了较好的分割效果；3) 基于AeroPath数据集，研究人员开发了开源的空气道分割工具，方便研究人员和临床医生进行空气道分割任务。此外，AeroPath数据集还为其他相关研究提供了重要的数据支持，如肺部血管分割、肺结节检测等。