Endoscopic Spinal Nerve Segmentation Dataset

本数据集是首个针对内窥镜手术中脊神经分割的精细标注数据集，由华南理工大学软件工程学院和广东省人民医院联合创建。数据集包含约10,000个连续手术帧，每帧分辨率高达1080*1080，旨在解决脊神经在内窥镜手术中的语义分割问题。数据集的创建过程涉及专业标注和外科医生的复核，确保了数据的高质量和准确性。该数据集主要应用于脊神经的实时标记和导航，以辅助外科医生进行更安全的手术操作，解决脊神经损伤的高风险问题。

This dataset is the first finely annotated dataset for spinal nerve segmentation in endoscopic surgery, co-developed by the School of Software Engineering, South China University of Technology and Guangdong Provincial People's Hospital. It contains approximately 10,000 consecutive surgical frames, each with a resolution of up to 1080×1080, and is aimed at addressing the semantic segmentation task of spinal nerves during endoscopic surgery. The dataset was created through professional annotation and surgeon review, ensuring high data quality and accuracy. It is mainly applied to real-time marking and navigation of spinal nerves, to assist surgeons in performing safer surgical operations and mitigate the high risk of spinal nerve injury.

搜集汇总

数据集介绍

构建方式

在脊柱内窥镜手术领域，精准识别神经组织对于保障手术安全至关重要。本数据集的构建依托于专业SPINENDOS SP081375.030设备采集的手术视频，从中选取了约一万帧连续的高清图像序列，分辨率达到1080*1080。为确保标注质量，每一帧图像均由专业标注人员细致勾勒出脊髓神经的轮廓，形成像素级语义分割标注，并由资深外科医生进行复核验证。数据划分遵循严谨的科研规范，将包含神经组织的图像按65%:17.5%:17.5%的比例划分为训练集、验证集和测试集，为模型训练与评估提供了可靠基础。

特点

该数据集作为首个专注于脊柱内窥镜手术场景的神经分割数据集，其突出特点在于标注的精细性与序列的连续性。所有图像均来自真实手术环境，充分体现了内窥镜影像特有的模糊、气泡及背景纹理等复杂视觉特性。与同类间隔采样的数据集不同，本数据集对每一帧进行逐帧标注，无论是否包含神经组织，确保了时间维度上的信息完整性。这种高密度标注策略为模型学习帧间相似性与运动模式提供了丰富素材，有助于开发能够适应手术中镜头缓慢移动、场景高度相似的算法。

使用方法

该数据集主要用于训练和评估脊柱内窥镜视频中的实时神经分割模型。研究者可基于其构建深度学习网络，如论文提出的FUnet，利用帧间注意力模块捕捉相邻帧的高度相似上下文，并通过通道自注意力模块整合全局信息。在实际使用中，模型以连续帧序列作为输入，输出每帧中神经组织的精确分割掩膜。数据集的标准划分支持模型进行端到端的训练、验证与测试，其评估指标涵盖maxDice、maxIOU等医学图像分割常用度量。此外，数据集的泛化能力已在类似的内窥镜息肉分割任务中得到验证，表明其对于推动计算机辅助手术技术具有广泛价值。

背景与挑战

背景概述

随着微创内窥镜手术在脊柱外科领域的广泛应用，如何在视频引导下精准识别并避免损伤脊髓神经成为临床实践中的关键难题。华南理工大学与广东省人民医院的研究团队于近年联合构建了首个内窥镜脊柱神经分割数据集，旨在通过深度学习技术实现术中神经组织的实时语义分割，为外科医生提供精确的导航信息。该数据集包含约一万帧连续手术视频图像，每帧均经过专业标注与医生复核，填补了该领域高质量标注数据的空白，推动了计算机辅助脊柱内镜手术向精细化、智能化方向发展。

当前挑战

该数据集致力于解决内窥镜脊柱神经语义分割这一复杂任务，其核心挑战在于内窥镜图像固有的模糊、气泡干扰及背景纹理相似性高，导致神经边缘轮廓难以精确界定。构建过程中，团队面临多重困难：医学数据涉及伦理隐私问题，获取术中实时影像本身具有较高壁垒；像素级标注依赖专业医生的密集劳动，成本高昂且易引入主观误差；此外，视频帧间高度相似但存在弹性运动变化，要求模型具备跨帧信息融合与长程依赖捕捉能力，传统自然图像分割方法在此场景下泛化性能显著不足。

常用场景

经典使用场景

在脊柱内窥镜手术领域，实时且精确地识别神经组织是保障手术安全的核心需求。Endoscopic Spinal Nerve Segmentation Dataset 作为首个针对脊柱内窥镜手术场景构建的精细标注数据集，其最经典的使用场景在于驱动和评估用于视频序列中脊髓神经语义分割的深度学习模型。该数据集包含近万帧连续手术视频帧，每帧均带有像素级标注，为模型训练提供了高质量的监督信号，使得研究者能够开发出能够准确勾勒神经轮廓的算法，从而在内窥镜动态视野中实现神经结构的稳定追踪与可视化。

实际应用

该数据集的实际应用直接关联于临床手术的智能化升级。基于此数据集训练的模型，如论文中提出的FUnet，能够集成到手术导航系统中，为外科医生提供实时的神经组织分割覆盖图。在实际手术中，系统通过处理内窥镜实时视频流，高亮显示敏感的脊髓神经区域，犹如为医生提供了“透视眼”，有效规避手术器械对神经的意外损伤。这种辅助显著降低了手术风险，尤其有助于经验不足的医生提升操作安全性，是实现精准、微创脊柱外科手术的重要技术支撑。

衍生相关工作

该数据集的发布催生并连接了一系列相关的经典研究工作。其本身作为基准，直接支撑了原论文提出的FUnet模型，该模型创新性地融合了帧间注意力与通道自注意力机制，在数据集上取得了领先性能。同时，该数据集与模型框架为后续研究提供了参照，例如，激励研究者探索更高效的视频序列分割架构、设计针对医学视频的域自适应方法，或将此范式迁移至其他内窥镜场景（如论文中已验证的息肉分割）。这些衍生工作共同深化了动态医学图像理解领域，特别是针对手术视频的实时语义分割这一关键方向。