VessMAP

VessMAP是由圣卡洛斯联邦大学计算机科学系等机构创建的异质性血血管分割数据集，包含100张从18279张未标注图像中精心选取的图像。该数据集通过独特的采样方法，确保了图像的多样性，适用于评估分割算法在数据分布变化下的性能。VessMAP的创建旨在解决医学图像分割中模型偏见的问题，特别是在处理不常见或异常样本时的挑战。数据集的应用领域包括开发新的分割算法，以及在少样本和主动学习中的应用。

VessMAP is a heterogeneous blood vessel segmentation dataset developed by the Department of Computer Science of the Federal University of São Carlos and other institutions. It consists of 100 carefully selected images sourced from 18,279 unannotated images in total. By adopting a unique sampling approach, the dataset guarantees the diversity of image samples, which makes it applicable for evaluating the performance of segmentation algorithms under data distribution shifts. The development of VessMAP targets resolving the problem of model bias in medical image segmentation, particularly the challenges posed by uncommon or anomalous samples. Its application scenarios include the development of novel segmentation algorithms, as well as its utilization in few-shot learning and active learning.

搜集汇总

数据集介绍

构建方式

在医学图像分割领域，构建高质量标注数据集常面临标注成本高昂与样本代表性不足的双重挑战。VessMAP数据集的构建采用了一种创新的采样方法，旨在从包含18279张未标注小鼠脑血管显微图像的基础数据集中，精选出100张具有高度异质性的图像进行人工标注。该方法首先将图像映射至由血管对比度、噪声水平、血管密度及血管中线异质性四个特征构成的多维空间，随后通过离散化特征空间并均匀采样，确保所选样本既涵盖典型特征，又充分代表分布边缘的异常样本，从而构建出一个能够有效评估分割算法在分布偏移下性能的数据集。

特点

VessMAP数据集的核心特点在于其精心设计的异质性，该特性通过系统化的特征空间采样得以实现。数据集中的图像在血管对比度、噪声水平、血管密度及血管中线异质性等关键特征上覆盖了广泛的数值范围，不仅包含了常见的典型血管形态，还纳入了如低对比度、高噪声或异常血管密度等具有挑战性的样本。这种结构化的多样性使得数据集能够模拟真实场景中可能出现的分布偏移，为衡量分割模型的泛化能力与鲁棒性提供了可靠的基准，尤其适用于研究算法在非典型样本上的表现。

使用方法

VessMAP数据集为血管分割算法的性能评估提供了灵活的应用框架。研究者可利用数据集附带的特征元数据，依据特定特征（如对比度或血管密度）创建差异化的训练与验证划分，以模拟分布偏移场景。例如，可使用低对比度样本训练模型，并在高对比度样本上验证其泛化能力，从而揭示模型在特征分布尾部的潜在偏差。此外，该数据集也适用于少样本学习与主动学习的研究，通过挑战性的数据划分推动开发更稳健的分割方法，确保模型在不同组织外观与成像条件下均能保持稳定的分割精度。

背景与挑战

背景概述

在医学图像分析领域，血管分割是量化血管形态与功能的关键预处理步骤，对神经科学、心血管疾病研究及临床诊断具有深远影响。然而，现有血管分割数据集多聚焦于视网膜影像，且样本同质性较高，难以全面评估算法在分布偏移下的鲁棒性。为此，由巴西圣卡洛斯联邦大学、圣保罗大学及加拿大渥太华大学研究团队于2024年联合创建的VessMAP数据集应运而生。该数据集通过创新性采样方法，从18279个未标注的小鼠脑血管共聚焦显微镜图像块中，精选出100个兼具典型性与非典型性的样本，并辅以像素级人工标注。其核心研究在于解决血管分割模型在数据分布异构场景下的泛化性能评估问题，为医学图像分割的鲁棒性研究提供了重要基准。

当前挑战

VessMAP数据集致力于应对血管分割领域的两大核心挑战：其一，在算法评估层面，传统分割模型常依赖全局平均指标（如准确率、Dice系数），易掩盖模型对数据分布尾部样本（如低对比度、高噪声或异常血管形态）的系统性偏差，导致下游形态计量分析（如血管长度、曲率测量）产生未被察觉的误差；其二，在数据集构建层面，医学图像标注成本极高，单张图像标注需耗时约12小时，且需确保标注样本充分涵盖组织外观变异与成像过程差异。为此，研究团队开发了一套基于特征空间均匀采样的方法，通过量化血管对比度、噪声水平、密度及中线异质性等特征，从高维特征空间中均匀选取原型与异常样本，以有限标注资源构建出能够有效模拟分布偏移的异构数据集，从而为分割算法在真实临床场景中的鲁棒性提供严谨评估框架。

常用场景

经典使用场景

在医学图像分析领域，血管分割是量化血管形态特征的关键预处理步骤，而VessMAP数据集通过精心设计的采样策略，构建了一个高度异质性的小鼠脑血管显微图像集合。该数据集最经典的使用场景在于评估和验证分割算法在数据分布偏移下的鲁棒性。研究者可利用其提供的血管对比度、噪声水平、血管密度及中线异质性等元数据，创建具有显著特征差异的训练与验证分割，从而系统性地测试模型在典型与非典型样本上的泛化能力。这种设计使得VessMAP成为衡量算法在真实世界复杂变异中稳定性的理想基准。

实际应用

在实际应用中，VessMAP数据集为脑血管疾病研究提供了重要的工具基础。例如，在脑卒中或神经发育障碍的模型中，血管网络常呈现异常形态，而VessMAP包含的异质样本能够训练算法准确分割这些病理状态下的血管结构。此外，该数据集支持少样本学习和主动学习方法的发展，帮助在标注成本高昂的医学影像任务中高效选择最具信息量的样本进行标注。这些应用直接促进了自动化血管形态分析在神经科学研究和临床前药物评估中的落地，为理解血管在健康和疾病中的作用提供了更精确的量化手段。

衍生相关工作

VessMAP的提出启发了多项围绕数据高效利用和算法鲁棒性的研究工作。其采样方法论与核心集（coreset）选择理念形成对话，但更侧重于保障样本多样性而非单纯代表数据分布，这促进了在医学图像分析中针对非典型样本保护的采样技术发展。基于该数据集的特征元数据，后续研究可探索分割性能在特征空间中的区域性评估，从而开发更具适应性的损失函数或架构。同时，VessMAP为验证迁移学习在血管分割任务中的有效性提供了新基准，相关衍生工作可能集中在跨域泛化、不确定性量化以及针对分布偏移的模型正则化策略上，进一步丰富了医学图像分割的研究图景。