AbdomenAtlas：构建多器官精确分割的大型数据集

AbdomenAtlas：构建多器官精确分割的大型数据集

AbdomenAtlas [NeurIPS 2023] AbdomenAtlas 1.0 (5,195 CT volumes plus nine classes) 项目地址: https://gitcode.com/gh_mirrors/ab/AbdomenAtlas

项目介绍

AbdomenAtlas是一个突破性的医学图像数据集，致力于为医学影像分析研究提供高质量、详尽注释的腹部多器官CT扫描数据。该数据集涵盖了脾脏、肝脏、肾脏、胃、胆囊、胰腺、腹主动脉和下腔静脉等八种腹部器官，总计包含了8448个CT体积的数据，达到了320万个CT切片。这一大规模的数据集构建，若由经验丰富的标注员手动完成，将需要大约30.8年的时间，而AbdomenAtlas通过创新的标注方法，在短短三周内就完成了这一任务，同时确保了标注质量甚至更优。

项目技术分析

AbdomenAtlas项目采用了先进的医学图像处理和标注技术。项目团队开发了一套高效的标注流程，能够在保证精确度的同时，大幅度缩短标注时间。这一流程结合了自动化工具和人工审查，确保了数据集的质量和可靠性。此外，项目还提供了预训练的模型，如Swin UNETR和U-Net，这些模型可以在多个公共数据集上提供出色的分割性能。

项目技术应用场景

AbdomenAtlas数据集的应用场景广泛，主要包括但不限于：

• 医学影像分析研究：为研究人员提供了一个丰富的数据资源，以开展多器官分割、病变检测等研究。
• 深度学习模型训练：可用于训练和验证深度学习模型，以提高医学图像分割的准确性和效率。
• 临床决策支持：辅助医生进行精确诊断和治疗规划，提高医疗服务的质量和效率。

项目特点

1. 大规模与详尽注释：AbdomenAtlas拥有庞大的数据量，且每个CT体积都经过了详细的注释，提供了八种腹部器官的精确分割。
2. 高效标注流程：项目的标注流程高效快捷，将原本需要数年的标注工作缩短至三周，极大提高了研究效率。
3. 开放共享：数据集对研究社区开放，便于全球研究者共同使用和改进，促进医学影像分析领域的发展。
4. 高质量的预训练模型：项目提供了在多个数据集上预训练的模型，这些模型具有优秀的分割性能，可供直接使用或进一步训练。

AbdomenAtlas [NeurIPS 2023] AbdomenAtlas 1.0 (5,195 CT volumes plus nine classes) 项目地址: https://gitcode.com/gh_mirrors/ab/AbdomenAtlas