MOSXAV

MOSXAV是一个专为X射线血管造影视频中的多对象分割设计的基准数据集。它提供了高质量、手动标注的分割真实数据，支持动态医学影像中血管结构的分析。每个视频包含33至70帧，分辨率为512×512像素。血管区域由经验丰富的放射科医生标注，标注集中在对比剂最显著的一到两帧上。训练和验证集包括30个序列（2,335帧），每5帧标注一次；测试集包含12个序列（488帧），每帧都有标注。该数据集支持视频对象分割（VOS）和多类语义分割任务，旨在促进X射线血管造影视频分割方法的发展和基准测试。

原始信息汇总

MOSXAV 数据集概述

1. 数据集基本信息

• 数据集名称: MOSXAV (Multi-Object Segmentation in X-ray Angiography Videos)
• 许可证: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC-BY-NC-SA-4.0)
• 任务类别: 目标检测、图像分割
• 语言: 英语
• 标签: 视频对象分割、计算机视觉、血管造影、X射线、医学图像分割、视频分割
• 数据规模: 10K < n < 100K

2. 数据集概述

MOSXAV 是一个为 X 射线血管造影视频中的多对象分割设计的基准数据集。它提供了高质量、手动标注的分割基准真值，支持动态医学成像中血管结构的分析。

• 视频规格: 每个视频包含 33~70 帧，分辨率为 512×512 像素。
• 标注重点: 血管区域由经验丰富的放射科医生标注，标注集中在对比剂最明显的一到两个关键帧上。
• 数据划分:
  • 训练和验证集: 包含 30 个序列（2,335 帧），每 5 帧进行一次标注。
  • 测试集: 包含 12 个序列（488 帧），具有全帧级标注。

3. 标注协议

为确保高质量和精确的标签，采用了严谨的多阶段标注工作流程：

1. 标注员培训: 在专门的图像子集上培训标注员。
2. 半自动初始化: 使用基于 PaddleSeg 框架的半自动方法生成初始分割掩码。
3. 专家修订: 人工标注员仔细审查 AI 生成的掩码。
4. 共识与质量保证: 进行最终审查和共识建立阶段。

4. 对象类别与统计

4.1 视频对象分割任务

• 目标: 在整个心动周期中分割充满对比剂的冠状动脉。
• 对象密度:
  • 训练和验证集: 每个序列最多 5 个独立对象。
  • 测试集: 每个序列最多 10 个独立对象。

4.2 语义分割任务

定义了四个主要类别：

类别	标签 ID	RGB 颜色	描述
背景	0	[0,0,0]	不属于以下类别的所有像素，包括脊柱、肋骨、横膈膜和图像噪声。
血管	1	[85,170,255]	被观察的主要冠状动脉解剖结构。
对比剂导管	2	[170,255,0]	用于注射染料的特定导管。
导管	3	[249,193,0]	通用介入或诊断导管。
球囊	4	[255,0,0]	介入手术期间使用的血管成形术球囊。
其他	5	[244,108,59]	其他类别。

4.3 文件结构

数据集采用分层目录结构，支持视频级和帧级任务。

• 主目录: MOSXAV_Dataset/
• 子目录:
  • trainval/: 包含 Annotations/ (VOS 实例掩码)、Annotations_Semantic/ (多类语义掩码，标签 ID 0-4)、JPEGImages/ (原始帧)、ImageSets/ (划分列表和首帧元数据)、labels.json。
  • test/: 包含 Annotations/、Annotations_Semantic/ (多类语义掩码，标签 ID 0-5)、JPEGImages/、ImageSets/、labels.json。

5. 下载信息

数据集托管在多个云存储平台：

来源	下载链接
OneDrive	https://1drv.ms/f/c/05b6df5b859ecdde/IgBLUOUDkt5bQ4S80HI2Gb_7AZW-uXoxuXuFPXCrwOUrBPo?e=6fBF22
Google Drive	https://drive.google.com/drive/folders/1d-kOWF7TkXqkRAfmh0ugkEvT9NmXr3cP?usp=sharing
Baidu Pan	https://pan.baidu.com/s/1-1i6nljdrdp90tMg30bZwQ

6. 引用信息

如果 MOSXAV 对您的研究有帮助，请考虑引用。

bibtex @article{FSVOSXA, title={Few-Shot Video Object Segmentation in X-Ray Angiography Using Local Matching and Spatio-Temporal Consistency Loss}, author={Xi, Lin and Ma, Yingliang and Zhuang, Xiahai}, journal={arXiv preprint arXiv:2601.00988}, year={2026} }

bibtex @InProceedings{RNPLL, author={Xi, Lin and Ma, Yingliang and Wang, Cheng and Howell, Sandra and Rinaldi, Aldo and Rhode, Kawal S.}, title={Robust Noisy Pseudo-Label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model}, booktitle={Deep Generative Models Workshop, International Conference on Medical Image Computing and Computer-Assisted Intervention (DGM4MICCAI)}, year={2026}, pages={12--23} }

7. 联系方式

如有问题或反馈，请联系：

• Lin Xi
• Yingliang Ma

搜集汇总

数据集介绍

构建方式

在X射线血管造影视频分析领域，高质量标注数据的匮乏长期制约着算法模型的演进。MOSXAV数据集的构建采纳了一套严谨的半自动化流程，旨在确保标注的解剖学精确性与时序一致性。该流程始于对标注人员的专业培训，以统一其对血管结构的理解；继而借助PaddleSeg框架的预训练模型生成初始分割掩码，提升效率；随后由经验丰富的放射科医师对自动输出进行精细复核与边界修正；最终通过共识评审确保所有标注均符合既定的质量标准。这一融合人工智能效率与专家知识的协同标注范式，为数据集赋予了高度的可靠性与学术价值。

特点

MOSXAV数据集作为X射线血管造影视频多目标分割的基准，其核心特点体现在任务设计的双重性与标注的精细度上。数据集不仅支持经典的视频目标分割任务，专注于对比剂充盈的冠状动脉在心动周期内的时序追踪与分割，还提供了多类别语义分割任务，可同时识别血管、对比剂导管、通用导管、球囊等关键器械与解剖结构。数据划分上，训练验证集包含30个序列共2335帧，标注间隔为5帧；测试集则包含12个序列共488帧，且具备逐帧标注，其中目标密度提升至每序列最多10个对象，显著增强了评估的复杂性与鲁棒性。这种结构化的任务设计与层次化的数据组织，为模型开发与性能评测提供了全面而严谨的基准。

使用方法

为便于研究者高效利用，MOSXAV数据集采用了清晰的层级目录结构进行组织，分别服务于视频级与帧级任务。用户可通过提供的多个云存储平台链接获取数据压缩包，解压后主要目录包含`trainval`与`test`。`JPEGImages`子目录存放原始X射线视频帧，`Annotations`存放视频目标分割所需的实例掩码，而`Annotations_Semantic`则对应多类别语义分割的标签图像。配套的`ImageSets`文件夹提供了训练、验证、测试的划分列表以及首帧掩码的元数据文件。研究者可依据任务需求，读取相应的图像与标注对，并参考提供的评估代码进行模型训练与性能验证。数据集遵循CC BY-NC-SA 4.0许可，使用时应遵守相应的引用规范。

背景与挑战

背景概述

在医学影像分析领域，X射线血管造影视频的动态分割是介入心脏病学精准诊疗的关键技术。MOSXAV数据集于2026年由Lin Xi、Yingliang Ma等研究人员构建，旨在为多目标分割任务提供高质量的基准数据。该数据集聚焦于冠状动脉及其介入器械的精细化识别，通过资深放射科医师的精确标注，涵盖了血管、对比剂导管、球囊等多个关键类别。其创建不仅推动了视频对象分割与语义分割方法在动态医学影像中的发展，也为心血管疾病的计算机辅助诊断与手术规划提供了重要的数据支撑，显著提升了相关算法在复杂生理环境下的评估可靠性。

当前挑战

MOSXAV数据集所应对的核心领域挑战在于X射线血管造影视频中多目标分割的复杂性。这类视频通常存在低对比度、器械遮挡以及心脏搏动引起的形变干扰，使得血管结构与介入工具的精准分离极为困难。在数据集构建过程中，挑战主要体现在标注质量的一致性与效率平衡上。尽管采用了基于PaddleSeg的半自动化初始化流程，但血管边界的细微差异仍需经验丰富的放射科医师进行大量手动修正，以确保解剖学准确性。此外，测试序列中对象数量增至10个，进一步要求模型具备处理高密度目标及未见类别泛化的能力，这对分割算法的鲁棒性与可扩展性提出了严峻考验。

常用场景

经典使用场景

在医学影像分析领域，X射线血管造影视频的动态特性对分割算法提出了严峻挑战。MOSXAV数据集通过提供高质量的手动标注血管结构，成为视频对象分割（VOS）任务的基准测试平台。研究者利用其帧级标注和时序一致性要求，开发能够跟踪对比剂在冠状动脉中流动的算法，评估模型在复杂生理运动下的分割精度与鲁棒性。

实际应用

在临床介入心脏病学实践中，MOSXAV数据集支撑的技术可直接应用于经皮冠状动脉介入治疗（PCI）的术前规划与术中导航。自动化分割工具能实时勾勒血管轮廓与介入器械位置，辅助医生精准评估血管狭窄程度、选择合适支架，并监测球囊扩张过程，从而提升手术安全性、减少辐射暴露时间，并优化临床决策流程。

衍生相关工作

围绕MOSXAV数据集已衍生出多项具有影响力的研究工作。例如，基于局部匹配与时空一致性损失的少样本视频对象分割方法，解决了标注帧稀疏条件下的学习问题。同时，利用扩散模型进行鲁棒噪声伪标签学习的研究，推动了半监督医学图像分割技术的发展。这些工作共同构成了血管造影视频分析领域的前沿探索。