IPSM-Bench

IPSM-Bench是由北京科技大学等机构联合创建的大规模锌合金微观结构图像数据集，旨在解决中间相分割领域标注数据稀缺的挑战。该数据集包含1,054张高分辨率（512×512）扫描电子显微镜和光学显微镜图像，覆盖20种锌基合金体系，共计22,179个经专家手动标注的中间相实例，数据源自实验制备和学术文献。其构建过程采用激光粉末床熔融技术制备样品，并结合AI辅助预标注与人工校验流程，确保标注精确性和一致性。该数据集主要应用于材料科学和生物医学工程领域，为锌基可吸收生物材料的微观结构分析、中间相自动分割模型训练与性能评估提供关键基础，助力优化合金力学与功能特性。IPSM-Bench is a large-scale zinc alloy microstructure image dataset jointly developed by the University of Science and Technology Beijing and other institutions, aiming to address the challenge of scarce labeled data in the field of intermetallic phase segmentation. This dataset contains 1,054 high-resolution (512×512) images obtained via scanning electron microscopy and optical microscopy, covering 20 zinc-based alloy systems, and includes a total of 22,179 intermetallic phase instances manually annotated by experts. The data is sourced from both experimentally prepared samples and academic literature. In the construction process, laser powder bed fusion technology was used to fabricate the samples, and a workflow combining AI-assisted pre-annotation and manual verification was adopted to ensure the accuracy and consistency of the annotations. This dataset is primarily applied in the fields of materials science and biomedical engineering, providing a critical foundation for microstructure analysis of zinc-based absorbable biomedical materials, training and performance evaluation of automated intermetallic phase segmentation models, and assisting in optimizing the mechanical and functional properties of alloys.

原始信息汇总

数据集名称

IPSM-Bench（Intermediate Phase Segmentation Benchmark in Microstructure Images of Zinc-based Absorbable Biomaterials）

数据集简介

IPSM-Bench是一个用于锌合金微观结构中中间相分割的高质量基准数据集，发表于IJCAI 2026。

数据采集

• 图像数量：共1,054张图像，其中800张为自行构建，254张来源于学术文献。
• 图像类型：涵盖光学显微镜（OM）和扫描电子显微镜（SEM）两种模态。
• 采集流程：包括样品制备、金相制备和金相图像采集三个阶段。

数据标注

采用AI辅助标注策略，包含三个关键阶段：

1. 基于AI模型的预标注
2. 人工验证与修正
3. 一致性检查

数据统计

• 合金体系：包含20种锌基合金体系。
• 图像分布：
  • ZnCu：370张（占35.10%）
  • ZnCuMg：269张（占25.52%）
  • 两者合计占60.63%。
• 标注实例：总计22,179个。
  • ZnCu：12,355个（占55.71%）
  • ZnCuMg：4,705个（占21.21%）
  • 两者合计占76.92%。
• 模态分布（训练/测试）：
  • 训练集：554张SEM图像，246张OM图像。
  • 测试集：122张SEM图像，132张OM图像。

数据集下载

• 使用限制：仅限学术研究使用，禁止再分发、商业利用或超出签署协议范围的使用。
• 获取方式：研究人员需填写并签署Release Agreement，然后将签署后的协议发送至指定联系邮箱。
• 联系邮箱：[e-mail], [e-mail], [e-mail]
• 引用要求：使用数据必须引用相关论文。

引用格式

bibtex @inproceedings{IPSM-Bench_ijcai2026, title = {IPSM-Bench: A New Intermediate Phase Segmentation Benchmark in Microstructure Images of Zinc-based Absorbable Biomaterials}, author = {Jinglin Xu, Shangyan Zhao, Jiabo Wang, Xinghong Mu, Yulong Lei, Jiacheng Zhang, Hongbo Sun and Yageng Li}, booktitle = {Proceedings of the 35th International Joint Conference on Artificial Intelligence}, year = {2026} }

搜集汇总

数据集介绍

构建方式

在锌基可吸收生物材料的微观结构分析领域，中间相作为调控力学与功能特性的关键微观组分，其精准分割面临标注数据稀缺、对比度低、小目标检测困难及形态异质性显著等多重挑战。为攻克这些难题，IPSM-Bench数据集应运而生。该数据集包含1,054张512×512像素的微观组织图像，涵盖扫描电子显微镜和光学显微镜两种模态，覆盖20种锌基合金体系。其中800张为自主制备样本，254张源自学术文献。数据采集历经严格的样品制备、金相制备及图像采集流程，采用激光粉末床熔融技术成型，经分级研磨、抛光与浸蚀后获取高质量显微图像。标注环节采用AI辅助预标注、人工核查修正及标注者间一致性检验三级策略，最终获得22,179个精细标注的中间相实例，标注一致性Dice系数超过0.90。

特点

IPSM-Bench数据集具有显著的多维度优势特征。其规模居同类数据集之首，较现有中间相分割数据集在图像数量与合金类型上实现数量级跃升。数据结构设计精巧，训练集含554张SEM图像与246张OM图像，测试集含122张SEM图像与132张OM图像，模态分布均衡。标注质量卓越，所有实例均由资深金属材料专家基于金相特征严格校正边界，并补充AI遗漏的小尺度中间相，剔除误标区域。数据多样性突出，中间相形态涵盖片层状、球状、枝晶状、针状等复杂异构体，尺寸跨度从亚微米至数十微米，空间分布不均且常伴有重叠聚集现象。此外，该数据集提供了可靠的真实标注基准，为后续方法评估建立了标准化比较平台。

使用方法

IPSM-Bench数据集的使用方法灵活多样，适用于训练与评估中间相分割模型。研究者可直接将数据集划分为训练集与测试集，利用提供的图像与逐像素掩码对进行监督学习。具体应用中，需将图像统一缩放至512×512像素分辨率，以适配标准深度学习框架的输入要求。该数据集支持全监督学习范式，适用于基于卷积神经网络或Transformer架构的语义分割模型。对于SAM系列方法，可借助其预训练权重进行微调，或参照SCoP-SAM的范式，将梯度结构与灰度属性等空间上下文先验嵌入编码-解码流程以优化分割性能。此外，该数据集亦可作为迁移学习的源域，在NBS、UHCS等公开合金基准数据集上进行跨域泛化评估。

背景与挑战

背景概述

IPSM-Bench数据集由北京科技大学、中国电信人工智能技术有限公司、重庆大学等机构的Jinglin Xu、Shangyan Zhao、Yageng Li等研究人员于2026年构建，专注于锌基可吸收生物材料显微图像中的中间相分割。锌合金作为新兴的可吸收金属生物材料，在骨科、心血管和牙科领域具有广阔应用前景，其宏观性能直接受微观结构调控，而中间相作为关键微观组分，对力学与功能特性起决定性作用。然而，现有中间相分割面临标注数据匮乏、图像对比度低、小目标检测困难及形态复杂等挑战，IPSM-Bench的提出填补了这一关键空白，首次构建了涵盖20种锌合金类型、1054张图像（包括SEM和OM模态）的大规模高质量标注基准，为中间相分割模型的训练与评估提供了可靠平台，有力推动了锌合金显微分析领域的方法论进步。

当前挑战

数据集研究领域面临的核心挑战包括：1）标注数据极度稀缺：锌合金显微图像获取成本高昂，且需材料专家精确标注，导致训练数据严重不足；2）图像对比度极低：尤其在SEM背散射电子图像中，基体与中间相间的灰度差异可能仅有数个灰度级，使得分割困难；3）小目标检测难度大：亚微米级中间相在图像中像素占比极小，语义与纹理信息匮乏，易与背景纹理混淆；4）形态复杂且异质：中间相呈现层状、球状、枝晶状、针状等不规则形态，常伴有重叠与团聚现象。在数据集构建过程中，需克服不同成像模态（OM与SEM）的差异、20种合金类型的广泛覆盖、以及通过AI辅助标注与人工校核结合的高质量标注流程，确保标注一致性与可靠性，平均Dice相似系数超过0.90。

常用场景

经典使用场景

在生物可吸收锌合金微观结构分析领域，IPSM-Bench作为迄今规模最大、质量最高的中间相分割基准数据集，为材料科学家和计算机视觉研究者提供了标准化的评估平台。该数据集涵盖20种锌基合金体系、1054幅显微图像及22179个精细标注的中间相实例，融合光学显微镜与扫描电子显微镜两种模态，能够系统性地支撑对低对比度、小目标检测困难及形态异质性等核心挑战的算法验证。研究者可借助该数据集开展跨模态、跨合金体系的中间相分割模型训练与性能对比，推动材料微观结构定量分析的标准化进程。

解决学术问题

IPSM-Bench的构建有效解决了锌合金微观结构分析中长期存在的标注数据稀缺这一关键瓶颈问题。传统方法依赖材料专家手动标注，不仅效率低下且难以保证可重复性，而现有公共合金数据集规模极小、标注不全，无法支撑深度学习模型的充分训练。该数据集通过大规模、多模态的高质量标注，为开发面向低对比度显微图像的分割算法提供了可靠基础，并推动了基于SAM的迁移学习方法在材料科学领域的适应性研究。其发布填补了该领域无标准化中间相数据集的空白，为后续可吸收金属生物材料性能优化奠定了数据驱动的学术基础。

衍生相关工作

基于IPSM-Bench，研究者已衍生出多项开创性工作，其中最具代表性的是SCoP-SAM方法，通过引入空间上下文先验引导SAM模型，实现了对复杂中间相边界的高精度分割。此外，该数据集为SAM-Adapter、DenseSAM、CAT-SAM等通用分割方法在材料微观结构领域的适应性调优提供了标准化评估基准，催生了面向低对比度、小目标场景的专用分割框架。未来，IPSM-Bench有望激发更多关于跨合金体系泛化分割、弱监督学习及多模态融合的研究，进一步推动材料信息学与计算机视觉的交叉创新。