PELD数据集

PELD是由IEEE研究团队构建的脊柱内窥镜实例分割专用数据集，包含来自61例临床病例的610张高分辨率图像。该数据集精细标注了脂肪组织、骨骼、黄韧带及神经四类解剖结构的像素级实例掩膜，旨在解决脊柱微创手术中关键组织的实时识别难题。数据经过临床专家审核，采用标准化的标注流程确保质量，为轻量级模型开发提供基准测试平台。其应用聚焦于计算机辅助手术导航系统，可显著提升内窥镜场景下细小解剖结构的分割精度与手术安全性。

PELD is a specialized dataset for spinal endoscopy instance segmentation developed by an IEEE research team. It contains 610 high-resolution images sourced from 61 clinical cases. This dataset provides fine-grained pixel-level instance masks for four anatomical structures: adipose tissue, bone, ligamentum flavum, and nerve. It is designed to solve the challenge of real-time recognition of critical tissues during minimally invasive spinal surgery. The dataset has been reviewed by clinical experts, and a standardized annotation process is employed to guarantee data quality, serving as a benchmark platform for the development of lightweight models. Its applications focus on computer-assisted surgical navigation systems, which can notably enhance the segmentation accuracy of small anatomical structures in endoscopic scenarios and improve surgical safety.

原始信息汇总

PELD数据集概述

数据集名称

PELD-Instance-segmentation

数据集来源

官方代码与数据集存储库。

数据集内容

该数据集用于实例分割任务。

数据集获取

• 下载链接：https://drive.google.com/file/d/1UXsnQyDAivstFrDTFr5t_YmmQGsx2m3P/view?usp=sharing
• 下载方式：可通过Google Drive链接下载。

搜集汇总

数据集介绍

构建方式

在脊柱内镜手术领域，精准的实时实例分割对于术中关键解剖结构的识别与保护至关重要。PELD数据集的构建遵循严格的临床审查流程，从61例经皮内镜腰椎间盘切除术患者的数字化视频中，以每秒25帧的速率采样并筛选出610张1080×720分辨率的图像。筛选标准排除了存在运动模糊、严重过曝、器械遮挡或解剖内容不足的帧，确保数据质量。所有图像均在脊柱外科医师指导下，通过LabelMe工具对脂肪组织、骨骼、黄韧带和神经四类临床相关结构进行像素级实例标注，并经过独立二次审核与讨论解决分歧，最终形成标准化的评估基准。

特点

该数据集深刻反映了脊柱内镜手术场景的独特挑战。其图像涵盖了从建立工作通道到完成神经减压的完整手术流程，自然包含了狭窄视野、镜面高光、出血/冲洗液污染以及频繁的器械遮挡等复杂条件。数据集中四类解剖结构在颜色与纹理上具有高度相似性，且边界模糊、尺度变化显著，这对分割算法的细粒度识别与边界保持能力提出了极高要求。此外，数据集通过分层划分确保了各类别在训练、验证与测试集中的平衡分布，为模型在真实手术干扰下的鲁棒性评估提供了可靠基础。

使用方法

PELD数据集主要用于开发和评估面向脊柱内镜场景的实时实例分割算法。研究者可遵循论文中提供的固定8:1:1分层划分（490/60/60张图像）进行模型训练与测试，确保结果的可比性与可复现性。该数据集支持以平均精度（mAP）、参数量、计算复杂度（FLOPs）和每秒帧率（FPS）为核心指标的全面评估，尤其注重模型在批大小为1的约束条件下的推理稳定性与效率。算法设计可针对该数据集所呈现的尺度变化、边界模糊及小结构敏感性问题进行优化，其提供的像素级实例掩码可直接用于监督训练，推动轻量化、高精度手术导航系统的发展。

背景与挑战

背景概述

PELD数据集于2025年由襄阳市中心医院的研究团队创建，旨在推动经皮内窥镜腰椎间盘切除术中的实时实例分割技术发展。该数据集包含来自61位患者的610张高分辨率内窥镜图像，并由临床专家标注了脂肪组织、骨骼、黄韧带及神经的像素级实例掩码。其核心研究问题聚焦于在狭窄手术视野、镜面高光、出血烟雾及组织边界模糊等复杂视觉干扰下，实现精准且高效的解剖结构识别与分割。该数据集的发布为脊柱内窥镜影像分析领域提供了首个公开的、经过临床审阅的多类别实例分割基准，显著促进了轻量化实时分割模型的开发与评估。

当前挑战

PELD数据集致力于解决脊柱内窥镜场景下的实例分割问题，其核心挑战在于如何在强干扰环境下实现高精度与高效率的平衡。具体而言，领域挑战包括：内窥镜图像存在视野狭窄、光照不均、组织间视觉相似度高以及小尺度解剖结构边界模糊等问题，导致模型易出现漏检或误分割。构建过程中的挑战则涉及高质量临床数据的获取与标注：需从动态手术视频中筛选具有代表性的静态帧，并依赖资深外科医生进行精细的像素级标注与交叉审核，以确保标注的准确性与一致性，同时还需处理类别不平衡及患者间的解剖变异。

常用场景

经典使用场景

在脊柱内镜手术的实时导航与决策支持领域，PELD数据集扮演着至关重要的角色。该数据集专为经皮内镜下腰椎间盘切除术设计，包含来自61名患者的610张高分辨率图像，并提供了脂肪组织、骨骼、黄韧带及神经的像素级实例分割标注。其最经典的使用场景是作为基准测试平台，用于开发和评估能够在狭窄手术视野、镜面反射、出血烟雾等复杂干扰下，实现实时、高精度实例分割的轻量化深度学习模型。研究人员利用该数据集训练模型，以在术中实时识别并分割关键解剖结构，为外科医生提供直观的视觉叠加引导，从而提升手术的安全性与精准度。

解决学术问题

PELD数据集有效解决了医学图像分析，特别是微创外科视觉辅助中的若干核心学术难题。它直面脊柱内镜图像因视野狭窄、光照不均、组织纹理相似而导致的实例分割挑战，为研究边界模糊、小尺度结构识别以及模型在资源受限硬件上的实时部署问题提供了标准化的评估环境。该数据集的意义在于，它首次系统性地提供了多类别、实例级别的脊柱内镜解剖结构标注，填补了该细分领域高质量公共数据集的空白，推动了轻量化网络架构、高效多尺度特征融合以及小批量训练稳定性等方向的方法论创新，为算法在真实临床场景中的鲁棒性与实用性研究奠定了坚实基础。

衍生相关工作

围绕PELD数据集及其提出的挑战，衍生出了一系列专注于轻量化实时实例分割的经典研究工作。其直接催生的LMSF-A框架，创新性地融合了重参数化卷积、高效多尺度注意力与轻量共享头设计，为资源受限场景下的高性能分割树立了新标杆。该数据集也激发了后续研究对类似架构的进一步探索与优化，例如改进的跨尺度序列融合模块、更稳定的归一化策略，以及针对内镜图像特性的数据增强方法。这些工作不仅深化了对脊柱内镜视觉任务的理解，其提出的轻量化设计范式（如C2f-Pro、SSFF、LMSH等模块）也对其他医学影像实时分析任务产生了广泛的借鉴意义，推动了整个轻量化医疗AI模型领域的技术演进。