HemoSet

HemoSet是由加州大学圣地亚哥分校创建的第一个血液分割数据集，专注于自动化止血管理。该数据集包含102,616个标记帧，用于训练和改进血液分割模型，以支持自动化血液吸引工具的开发。数据集通过在活体动物机器人手术中识别血管并诱导出血来收集，模拟了手术中常见的血液池形成条件。HemoSet的应用领域包括手术中血液损失的估计、辅助助手操作吸引工具以及自动识别关键出血区域，旨在提高手术的效率和安全性。HemoSet is the first blood segmentation dataset developed by the University of California, San Diego, focusing on automated hemostasis management. This dataset contains 102,616 annotated frames, which are used to train and optimize blood segmentation models to support the development of automated blood suction tools. The dataset is collected by identifying blood vessels and inducing bleeding during robot-assisted surgery on live animals, simulating the common conditions of blood pool formation encountered in surgical procedures. The application scenarios of HemoSet include intraoperative blood loss estimation, assisting operators in manipulating suction tools, and automatically identifying critical bleeding areas, aiming to improve surgical efficiency and safety.

搜集汇总

数据集介绍

构建方式

在手术自动化领域，精准的血液检测是止血管理的关键前提。HemoSet数据集的构建基于活体动物机器人手术中的真实出血场景，通过猪模型甲状腺切除术采集数据。手术过程中，外科医生识别并破裂血管以诱发出血，利用达芬奇手术系统的内窥镜摄像头以每秒30帧的速率记录立体视觉数据，随后将原始1920×1080像素分辨率图像校正为640×480。标注工作采用人工方式，每60帧选取一帧，借助多边形分割工具进行精细标注，类别涵盖“血液”与“背景”。为确保标注一致性，研究团队制定了详细指南，并通过STAPLE算法验证，实现了平均精度0.933与特异性0.996的高标注可靠性。

使用方法

HemoSet为血液分割算法的开发与评估提供了标准化平台。研究人员可利用该数据集训练专用分割模型，以提升手术场景中血液检测的鲁棒性。使用前需将图像预处理为统一分辨率，并按照提供的标注划分训练集与测试集。在模型训练中，可借鉴论文中采用的U-Net、DeepLabV3+等先进架构，结合交叉熵损失函数与Adam优化器进行优化。数据增强技术如随机裁剪与亮度抖动有助于提升泛化能力。评估时需综合交并比、F1分数与豪斯多夫距离等多维度指标，以全面衡量模型在多变出血几何与复杂背景下的分割精度。

背景与挑战

背景概述

在手术自动化领域，止血管理作为一项关键任务，长期以来因缺乏高质量标注数据而进展缓慢。2024年，加州大学圣地亚哥分校的研究团队Albert J. Miao等人推出了首个专注于术中出血分割的数据集HemoSet，旨在推动自动化止血工具的开发。该数据集基于活体动物机器人甲状腺切除术构建，捕捉了血管破裂导致的湍流出血场景，其核心研究问题在于如何精准识别手术视野中的血液区域，以辅助自主吸引器等设备的研发。HemoSet的诞生填补了宏观血管出血分割数据的空白，为手术视觉分析、失血量估计等下游应用奠定了坚实基础，显著提升了该领域的研究可行性与实践价值。

当前挑战

HemoSet所针对的术中出血分割任务面临多重挑战：血液在复杂组织表面形成的湍流几何形态异常多变，与静态液体分割截然不同；血液池与组织染色区域视觉相似却语义迥异，要求模型具备精细的判别能力；手术场景中工具遮挡、光泽照明及组织异质性进一步增加了分割难度。在数据集构建过程中，研究团队需克服标注一致性难题，通过制定详细标注指南区分可吸引血液池与不可操作染色区域，并利用STAPLE算法确保标注精度。此外，模拟真实手术环境中的动态出血与器械干扰，使数据能够有效迁移至临床场景，亦是构建过程中的关键挑战。

常用场景

经典使用场景

在手术自动化领域，HemoSet数据集作为首个专注于大血管出血分割的标注数据集，其经典应用场景在于训练和评估血液检测算法。该数据集采集自活体动物机器人甲状腺切除术，模拟了真实手术中血液在异质组织表面、光泽照明及快速器械移动条件下形成的湍流与不规则几何形状。通过提供包含血液池与背景的精细标注帧，HemoSet为开发高精度血液分割模型奠定了数据基础，尤其适用于需要区分血液池与组织染色的复杂视觉环境。

解决学术问题

HemoSet数据集主要解决了手术视觉自动化中血液检测算法缺乏代表性训练数据的核心难题。传统方法往往依赖实验室环境下的模拟数据，难以泛化至真实手术场景中血液的湍流形态与动态变化。该数据集通过捕捉手术中血液的不规则几何、光泽反射及器械遮挡等复杂特征，为算法提供了适应临床环境的训练样本。其意义在于推动了血液分割从理论探索向实际应用的转变，为后续自动化止血管理系统的开发提供了关键的数据支撑。

实际应用

HemoSet数据集的实际应用聚焦于手术室中的自动化辅助系统。基于该数据集训练的血液分割模型可集成至机器人手术平台，实现实时血液检测与定位，进而驱动自主吸血工具进行精准操作。此外，该技术还可用于术中失血量估计、术后出血区域分析以及增强现实导航系统，帮助外科医生快速识别出血点并优化止血策略。这些应用不仅减轻了手术团队的身心负担，也提升了手术的安全性与效率，体现了计算机视觉在临床干预中的直接价值。

数据集最近研究

最新研究方向

在手术自动化领域，HemoSet作为首个专注于术中出血分割的数据集，正推动着止血管理智能化的前沿探索。该数据集基于活体动物机器人手术的真实出血场景，捕捉了湍流导致的异常血液汇集几何形态，其研究聚焦于开发能够适应手术环境中不均匀组织、光泽照明及快速器械移动等复杂条件的血液检测算法。当前热点集中于利用深度学习模型，如UNet++、DeepLabV3+等，提升对血液池与组织染色之间的区分能力，以支持自主吸血工具的开发。这一进展不仅有望减轻外科医生的认知与操作负担，更将为术中失血估计、术后视频分析等应用奠定基础，显著提升手术的安全性与效率。

相关研究论文

• HemoSet: The First Blood Segmentation Dataset for Automation of Hemostasis Management

  加州大学圣地亚哥分校 · 2024年