MedFuncta

MedFuncta是一个由瑞士巴塞尔大学生物医药工程系创建的大规模医疗信号数据集，包含超过55万个注释的神经场。该数据集涵盖了多种医疗信号模态，包括一维的ECG信号、二维的胸片、视网膜OCT、眼底相机、皮肤镜、结肠组织病理学、细胞显微镜图像以及三维的大脑MRI和肺CT图像。数据集旨在推动基于神经场表示的医疗信号研究。

MedFuncta is a large-scale medical signal dataset created by the Department of Biomedical Engineering, University of Basel, Switzerland. It contains over 550,000 annotated neural fields. This dataset covers a wide range of medical signal modalities, including one-dimensional ECG signals, two-dimensional chest X-rays, retinal OCT, fundus camera images, dermatoscopic images, colonic histopathology images, cellular microscopy images, as well as three-dimensional brain MRI and lung CT images. The dataset aims to advance research on medical signals based on neural field representations.

搜集汇总

数据集介绍

构建方式

MedFuncta数据集采用了一种基于神经场的连续数据表示方法，旨在解决医疗图像分析中常用的网格或体素表示方法的局限性。该数据集构建过程中，通过利用医疗信号中的冗余信息，并应用高效的元学习策略和上下文减少方案，实现了神经场的从单个实例到大规模数据集的扩展。此外，为了解决传统SIREN激活中存在的频谱偏差问题，引入了ω0-schedule，从而提高了重建质量和收敛速度。

特点

MedFuncta数据集的主要特点包括：1) 模态无关性，即可以应用于不同维度和模态的医疗信号，如ECG、胸部X射线、视网膜OCT、脑MRI等；2) 高效性，通过元学习和上下文减少方案，降低了计算负担，使得该方法可以扩展到高分辨率信号；3) 重建质量，通过引入ω0-schedule，显著提高了重建质量和收敛速度。

使用方法

MedFuncta数据集的使用方法包括：1) 重建实验，通过在训练集上元学习共享网络参数θ，然后在测试集上评估重建质量；2) 分类实验，通过在信号特定参数ϕ(i)上进行分类实验，评估学习到的表示是否捕获了相关信号信息；3) 上下文减少策略验证，通过研究上下文选择率γ对重建质量的影响，评估该策略的有效性。

背景与挑战

背景概述

MedFuncta数据集是由瑞士巴塞尔大学生物医学工程系的研究人员Paul Friedrich, Florentin Bieder和Philippe C. Cattin创建的。该数据集旨在挑战医学图像分析中常用的基于网格或体素的数据表示方法，引入了一种基于神经场的模态无关连续数据表示方法。通过利用医学信号中的冗余信息和高效元学习方法，MedFuncta成功地实现了神经场的扩展，并引入了ω0调度来改善重建质量和收敛速度。该数据集涵盖了广泛的医学信号，包括ECG、胸部X光、视网膜OCT、眼底相机、皮肤镜、结肠组织病理学、细胞显微镜、脑MRI和肺CT等，并在这些表示上成功地解决了相关下游任务。此外，研究人员还发布了超过55万个注释神经场的庞大数据集，以促进该方向的研究。

当前挑战

MedFuncta数据集面临的挑战主要包括：1) 如何找到有意义的医学数据的函数表示，以便在模态无关的表示上解决相关下游任务，而不是在原始信号上；2) 如何从单个实例扩展到大型数据集，同时保持计算效率；3) 如何解决常见SIREN激活中的频谱偏差问题，以改善重建质量和收敛速度。此外，MedFuncta还需要进一步探索其在不同医学领域的应用，以及如何与其他模态无关的表示方法进行比较和融合。

常用场景

经典使用场景

MedFuncta数据集在医学图像分析领域中的应用尤为突出。该数据集基于神经网络场（Neural Fields，NFs）的连续数据表示方法，能够有效地对医学信号进行模态无关的表示。通过利用医学信号中的冗余信息，MedFuncta能够将NFs从单个实例扩展到大型数据集，并通过高效的元学习方法和上下文减少方案，实现参数效率的提高。此外，MedFuncta通过引入ω0-schedule解决了常用SIREN激活中的频谱偏差问题，从而提高了重建质量和收敛速度。MedFuncta已经在多种医学信号上进行了验证，包括心电图（ECG）、胸部X射线、视网膜OCT、眼底相机、皮肤镜、结肠组织病理学和细胞显微镜等，成功解决了相关下游任务。

衍生相关工作

MedFuncta数据集的提出衍生了许多相关的经典工作。例如，Functa是一种基于NFs的数据表示方法，通过将数据视为神经函数，实现对不同模态数据的表示。此外，还有许多研究探索了NFs在医学图像分析中的应用，如Occupancy Networks、Nerf等。这些工作都为医学图像分析领域提供了新的思路和方法，推动了该领域的发展。

数据集最近研究

最新研究方向

MedFuncta 数据集基于神经场进行模态无关的连续数据表示，探讨了如何将神经场从单个实例扩展到大型数据集。该研究通过利用医学信号中的冗余信息和应用高效的元学习方法以及上下文减少方案，展示了神经场在医学信号分析中的潜力。此外，MedFuncta 还解决了常用 SIREN 激活中的频谱偏差问题，引入了 ω0-schedule，提高了重建质量和收敛速度。该研究在多种医学信号上进行验证，包括心电图、胸部 X 射线、视网膜 OCT、眼底相机、皮肤镜、结肠组织病理学、细胞显微镜、脑 MRI 和肺 CT 等。结果表明，MedFuncta 能够有效地表示各种模态的医学信号，并成功地在这些表示上解决相关的下游任务。MedFuncta 的发布将促进该方向的研究。

相关研究论文

• MedFuncta: Modality-Agnostic Representations Based on Efficient Neural Fields

  瑞士巴塞尔大学生物医药工程系 · 2025年