MS segmentation dataset

该数据集为显微手术场景的像素级分割数据集，基于MIcro-Surgical Anastomose Workflow recognition on training sessions(MISAW)数据集构建，包含2999张标注图像，其中2433张为训练图像，566张为测试图像。数据集包含六类对象：左人工血管、右人工血管、左针持、右针持、针和线。该数据集专为显微手术环境设计，为像素级分割模型提供了宝贵的训练资源，并有助于未来研究的标准化评估。This is a pixel-level segmentation dataset for microsurgical scenarios, constructed based on the MIcro-Surgical Anastomose Workflow recognition on training sessions (MISAW) dataset. It contains 2999 annotated images, among which 2433 are training images and 566 are test images. The dataset includes six categories of objects: left artificial blood vessel, right artificial blood vessel, left needle holder, right needle holder, needle and suture. Designed specifically for microsurgical environments, this dataset provides valuable training resources for pixel-level segmentation models and facilitates standardized evaluation for future research.

搜集汇总

数据集介绍

构建方式

在显微外科手术场景分析领域，公开可用的专用分割数据集长期匮乏。为填补这一空白，本研究基于MISAW数据集构建了像素级标注的显微外科分割数据集。该数据集源自东京大学开发的机器人系统采集的高清立体显微镜视频，原始分辨率为460×540像素。通过Roboflow平台的智能多边形标注工具，对手术器械、针具、缝线及人工血管等六类目标进行了精细标注，最终形成包含2,999张图像的数据集，其中训练集2,433张、测试集566张，严格遵循原始MISAW协议划分。

特点

该数据集显著特征体现在其对显微外科特殊场景的针对性设计。图像呈现高放大倍率下极细结构的视觉特性，其中缝线仅占全图像素3%，针具占比低至0.4%，形成极端像素稀疏性。相较于内窥镜手术数据集，本数据集聚焦血管吻合术场景，包含专家与学员多技能层级样本，并首次提供涵盖细长目标的像素级标注。这种精细标注与真实手术场景的高度契合，为模型在器械接触、重叠等复杂情况下的稳定性评估提供了基准。

使用方法

数据集适用于显微外科场景分割模型的训练与评估，需配合特定预处理流程。输入应保留原始分辨率，建议采用五通道输入策略，即在RGB通道基础上融合形态学生成的亮度极值通道以增强细结构对比度。训练时需采用类别平衡策略，推荐使用标准化中值频率平衡权重应对极端类别不平衡。评估指标应兼顾像素级质量与实例级行为，包括均值类别交并比、器械敏感交并比等多维度指标，特别关注细长结构在交叠区域的连续性保持能力。

背景与挑战

背景概述

显微外科手术作为处理直径仅1-2毫米血管的精密技术，在淋巴水肿治疗与软组织重建领域具有关键地位。由韩国科学技术院研究人员于2025年创建的MS分割数据集，聚焦于机器人辅助手术中的器械分割难题，填补了该领域缺乏专用标注数据的空白。该数据集基于MISAW训练会话数据构建，包含2999张像素级标注图像，涵盖人工血管、持针器、缝合针与缝线等六类器械，为显微外科场景理解提供了首个标准化评估基准，显著推动了计算机辅助微创手术的发展进程。

当前挑战

在显微外科图像分割领域，薄壁结构分割面临三大核心挑战：缝合针与缝线等目标仅占据数个像素宽度，在分辨率损失与低对比度环境下易产生特征丢失；现有通用分割模型在多次下采样过程中难以保持细长结构的连续性，导致边界断裂与预测不稳定；数据集构建过程中需应对极端类别不平衡问题，其中缝线像素占比仅3%、缝合针占比0.4%，这对标注精度与模型鲁棒性提出了更高要求。

常用场景

经典使用场景

在显微外科机器人辅助手术领域，该数据集主要应用于精细手术器械的像素级分割任务。通过提供包含人工血管、针持器、缝合针和缝合线等六类对象的精细标注，该数据集为开发能够识别超薄结构的分割算法奠定了重要基础。在显微外科手术场景中，由于血管直径仅1-2毫米，传统分割模型往往难以准确识别仅占几个像素宽度的缝合针和缝合线，该数据集通过专门设计的标注流程有效解决了这一技术瓶颈。

解决学术问题

该数据集主要解决了显微外科场景中存在的两个核心学术问题：一是填补了该领域缺乏公开分割数据集的空白，此前EndoVis-2018等数据集主要针对内窥镜手术，无法满足显微外科的高倍放大特性需求；二是突破了超薄物体分割的技术难题，通过像素级稀疏标注和专门设计的损失函数，显著提升了模型对仅占图像面积0.4%的缝合针等微小目标的识别精度，为机器人辅助手术中的实时场景理解提供了可靠的数据支撑。

衍生相关工作

基于该数据集衍生的经典工作包括MISRA分割框架，其通过五通道输入增强、跳跃注意力和迭代反馈模块等创新设计，在保持超薄结构连续性方面取得显著突破。该框架与Mask2Former、Mask R-CNN和U-Net等主流模型形成对比研究，推动了显微外科图像分析领域的算法演进。相关技术路线还启发了对Transformer架构在医学图像分割中的适应性研究，为后续工作提供了重要的技术参照。