公开数据集分享（一）-MMWHS

最新推荐文章于 2025-05-13 10:46:03 发布
最新推荐文章于 2025-05-13 10:46:03 发布
阅读量3.4k 收藏 6
点赞数
CC 4.0 BY-SA版权
分类专栏： AI算法与数学之美 AI算法与数学之美-精华知识分享
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zuyuhuo6777/article/details/103561080

公众号中有粉丝私信我，向我咨询公开数据集(MMWHS)的数据，下面我给大家大概介绍一下这个数据集，并提供我之前关于这个数据集做的一些工作。

MMWHS-是一个全心脏分割的工作，一共是8类，数据集的具体信息和下载链接，可以参考：

http://www.sdspeople.fudan.edu.cn/zhuangxiahai/0/mmwhs/

下面的这个链接是我的github，分享一下对于该数据集我之前做的一些工作，欢迎大家Star与关注。

https://github.com/Xavier-cvpr/MMWHS

欢迎大家关注并且留言，后续会有更多的学习资源分享链接

我的公众号“AI算法与数学之美”

医图论文MICCAI 2023 | 通过3D和2D网络之间的交叉教学进行稀疏标注的3D医学图像分割
小白学视觉
04-25 57
医学图像分割通常需要一个大规模且标注精确的数据集。然而，获取逐像素的标注是一项劳动密集型任务，需要领域专家付出巨大努力，这使得在实际临床场景中获取这样的标注变得具有挑战性。在这种情况下，减少所需的标注量是一种更实际的方法。一种可行的方向是稀疏标注，即只标注少数切片，与传统的弱标注方法（如边界框和涂鸦）相比，它具有几个优势，因为它保留了精确的边界。然而，由于监督信号稀缺，从稀疏标注中学习是具有挑战性的。
ICML 2024 | 超声图像中解剖结构检测的无监督域适应方法
最新发布
小白学视觉
06-27 33
在一个机构的超声图像上训练的模型，直接应用到其他机构时，通常效果会下降。此外，与自然图像不同，胎儿超声图像中存在密集且重叠的结构，这使得结构检测更具挑战性。因此，为了解决这个问题，作者提出了一种新的无监督域适应（UDA）方法，该方法集成了拓扑知识迁移（TKT）和形态学知识迁移（MKT）模块，用于胎儿结构检测，命名为ToMo-UDA。TKT利用胎儿医学解剖的先验知识作为拓扑信息，在源域和目标域之间重建和对齐解剖特征。然后，MKT为器官的每个子结构构建更一致且独立的形态学表示。
matlab神经网络保存的代码-WholeHeartSegmentation:MM-WHS2017的代码：多模态全心分割
05-23
matlab神经网络保存的代码
MMWHS数据集
iTom's blog
10-20 4397
MMWHS 数据集笔记
红外与可见光图像融合数据集（2025 持续更新）
陈嘿萌的博客
05-13 5274
本文系统整理了当前主流的红外与可见光图像融合数据集，涵盖 MSRS、RoadScene、M3FD、TNO、LLVIP、FMB、FLIR、MFNet、KAIST、PST900、HDO、MMVS、DVTOD、AWMM-100k、EMS、INO 和 M3SVD 等多个高质量数据源，分别介绍其数据构建团队、参考论文、下载链接及关键特征，包括图像数量、分辨率、退化类型和标注信息。该博客旨在为图像融合研究者提供全面、便捷、持续更新的数据集参考平台。
多模态全心分割数据集MM-WHS 2017
qq_42374557的博客
12-11 3167
多模态全心分割数据集MM-WHS2017简介与下载
医学数据集集合
weixin_44549562的博客
05-30 6548
1.ACDC dataset 是一个心脏3D MRI影像数据集，有100张，2017年ACDC挑战赛（Automated Cardiac Diagnosis Challenge）小约，大小1GB 下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/56020 2.prostate datasets是MICCAI2018一个挑战赛的数据集，大小1.3GB，是一个前列腺癌分割的数据集，包含3D MRI影像 。 下载地址：https://www.kaggl
MMWHS-文献阅读（图像分割）
zuyuhuo6777的博客
12-18 4635
一、 https://github.com/xy0806/miccai17-mmwhs-hybrid Paper: Hybrid Loss Guided Convolutional Networks for Whole Heart Parsing （MICCAI 2017） 1、迁移学习 使用C3D模型中参数 2、分层深层监督 增加几个分层的侧面路径，从而缩短梯度流的反向传播路径，并...
医学影像数据集
qq_45753667的博客
10-04 1911
ODIR-5K包括5000名患者的年龄，双眼的彩色眼底照片和医生的诊断关键词。患者分为8个标签，包括正常（N），糖尿病（D），青光眼（G），白内障（C），AMD（A），高血压（H），近视（M）和其他疾病/异常（O）。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tRU10Ywx-1636195013860)(https://raw.githubusercontent.com/linhandev/dataset/main/static/Lung-PET-CT-Dx.png)]
医学图像数据集下载地址
qq_44504069的博客
04-11 4283
医学图像数据集下载地址
推荐:几个优质的数据公众号
tongtongjing1765的博客
10-18 5893
今天强烈推荐一些与数据相关的优质公众号，数据ers大部分都关注了，在工作、生活节奏超快的今天，想要不断提升自我，利用碎片化阅读学习是你最佳选择，这些号在行业里深耕已久，会...
Heart Segmentation in MRI Images MRI图像中的心脏分割-数据集
03-12
MRI图像中的心脏分割 Heart Segmentation in MRI Images_datasets.txt Heart Segmentation in MRI Images_datasets.zip
医学影像方向数据集的列表、医学影像数据集众多多且专业性强，众人拾柴火焰高！
01-01
本项目的目标是整理一个医学影像方向数据集的列表，提供每个数据集的基本信息，并在License允许的前提下提供不限速下载。如果您想使用的数据集不在列表中我们可以提供免费代下。项目按照数据集模态或关注的器官分类。当前共收录约 20 个方向的 80+ 个数据集 医学影像数据集众多多且专业性强，众人拾柴火焰高！如果您使用过列表中没有的数据集，或发现列表中的信息有任何疏漏，我们非常希望您可以参与项目建设。本项目的目标是整理一个医学影像方向数据集的列表，提供每个数据集的基本信息，并在License允许的前提下提供不限速下载。如果您想使用的数据集不在列表中我们可以提供免费代下。项目按照数据集模态或关注的器官分类。当前共收录约 20 个方向的 80+ 个数据集 医学影像数据集众多多且专业性强，众人拾柴火焰高！如果您使用过列表中没有的数据集，或发现列表中的信息有任何疏漏，我们非常希望您可以参与项目建设。本项目的目标是整理一个医学影像方向数据集的列表，提供每个数据集的基本信息，并在License允许的前提下提供不限速下载。如果您想使用的数据集不在列表中我们可以提供免费代下。项目按照数据集模态或关注的器
ESMM模型笔记
whgyxy的博客
09-13 1849
ESMM模型笔记 背景 ESMM模型是阿里算法团队关于CVR预估提出的新模型，思路很新颖，对于CVR预估有很强的参考意义。而且里面的多个目标其实可以根据实际业务进行替换，可以快速尝试应用，想象力空间很大。 CVR任务面临的典型挑战： 1. 样本选择偏差（SSB） 传统的CVR训练用的是点击数据，用户点击后未转化为负样本，点击后转化为正样本。但点击事件仅仅是整个曝光空间的一个子集，数据分布是不一致的，模型的泛化能力就会受到影响。 2. 数据稀疏问题（DS） 点击率一般是比较低的，曝光量是远远大于点击量的，以
PnP-AdaNet学习笔记
weixin_51700853的博客
07-20 1263
PnP-AdaNet笔记
[实验准备]-0.心脏数据集
Hollycooool的博客
06-03 2638
EchoNet-Dynamic 数据库包括 10,030 个带标记的超声心动图视频和人类专家注释（测量、描记和计算），为研究心脏运动和心腔大小提供了基线。实验论文： ​​https://echonet.github.io/dynamic/NeuroIPS_2019_ML4H%20Workshop_Paper.pdf。MM-WHS数据下载地址：https://zmiclab.github.io/zxh/0/mmwhs/主动脉冠状动脉分割数据下载地址：​​​​​Home - Grand Challenge。
Phone in my heart
nailwl
12-11 600
日前日本经济新闻表示索尼公司正在准备开发一款结合手机和掌上游戏机的产品，以更好地与苹果公司广受欢迎的iPod和iPhone相抗衡，万众期待的PSP手机终于即将问世了。 　　日本电子和娱乐巨头索尼在30年前推出了世界首款随身听以来，一直主宰着便携式音乐播放器市场，但在最近几年它却一直远远落后于iPod和iPhone。看来索尼公司是该反省的时候了。 http://pic.hsw.cn/0/10/29/
论文解读《基于伪标签自训练的局部对比损失半监督医学图像分割》
weixin_37591159的博客
02-18 7469
论文解读《Local contrastive loss with pseudo-label based self-training for semi-supervised medical image segmentation》 发表期刊：NeurIPS2021（神经信息处理系统大会（NeurIPS），前称NIPS，是一个机器学习和计算神经科学相关的学术会议，每年12月举行。） 代码： 代码链接 论文：论文地址 分区： CCF-A 摘要： 基于监督深度学习的方法可以为医学图像分割提供精确的结果。然而，它们需要
《U-Net: Convolutional Networks for Biomedical Image Segmentation》论文阅读之UNet
Gavinmiaoc的博客
07-06 7650
论文地址：http://www.arxiv.org/pdf/1505.04597.pdf 图像分割在从自动驾驶汽车到卫星的许多领域都很有用。也许其中最重要的是医学影像。医学图像的微妙之处是相当复杂的。一台能够理解这些细微差别并识别出必要区域的机器，可以对医疗保健产生深远的影响。 卷积神经网络在简单的图像分割问题上取得了不错的效果，但在复杂的图像分割问题上却没有取得任何进展。这就是UNet的作用。...
mmwhs数据集
03-18
<think>好的，用户需要关于MMWHS数据集的信息，包括下载方式、使用说明、格式介绍以及它在医学图像分割中的应用。首先，我需要回忆一下之前提供的引用内容，特别是引用3，里面提到了MMWHS数据集来自MICCAI 2017挑战赛，包含20个3D心脏CT容积，标注了7个心脏结构。预处理步骤包括强度归一化和调整切片大小到160x160。 接下来，用户可能需要更详细的信息，比如具体的下载链接、数据格式、文件结构、使用许可等。不过根据现有的引用，可能没有直接给出下载链接，但可以建议用户访问MICCAI挑战赛的官方网站或者相关平台查找。另外，需要提到数据集的组成，比如CT和MRI模态是否存在，不过根据引用3，MMWHS是CT数据，但不确定是否有其他模态，可能需要确认。 关于使用说明，引用3提到预处理步骤，如强度归一化和调整分辨率，这些可以详细说明。另外，数据分割的应用场景，比如心脏结构分割，可以结合引用2中的半监督学习在医学图像分割中的应用，说明MMWHS可能用于这类研究。 格式方面，可能数据集是NIfTI格式，常见于医学图像，需要确认。如果没有明确信息，可以建议用户查看数据集文档或相关论文。 用户还可能关心数据集的划分，比如训练集、测试集的数量，是否需要注册才能下载，以及引用要求。需要提醒用户遵守数据使用协议，正确引用来源。 最后，生成相关问题时要涵盖数据集的应用、预处理、半监督学习、挑战以及多模态数据比较等方面，帮助用户进一步探索。</think>### MMWHS 数据集信息整理 #### 1. **数据集简介** - **来源**：MMWHS（Multi-Modality Whole Heart Segmentation）数据集来自**MICCAI 2017挑战赛**，主要用于心脏结构的全自动分割任务[^3]。 - **数据内容**： - 包含**20个3D心脏CT容积**（另有部分版本可能包含MRI数据，需根据具体子集确认）。 - 标注涵盖心脏的**7个解剖结构**：左心室、左心房、右心室、右心房、心肌、升主动脉、肺动脉。 #### 2. **数据格式与预处理** - **原始格式**：医学图像常用格式（如NIfTI或DICOM），需通过专业工具（如ITK-SNAP、3D Slicer）查看。 - **预处理**： 1. **强度归一化**：调整图像灰度范围以消除设备差异。 2. **分辨率统一**：使用双线性插值将切片大小调整为$160 \times 160$像素。 3. **数据增强**：可能包括旋转、翻转等操作以提升模型泛化性。 #### 3. **下载与使用** - **下载途径**： - 访问MICCAI挑战赛官网（如[MMWHS官方页面](https://www.sdspeople.fudan.edu.cn/zhuangxiahai/0/mmwhs/)）或学术平台（如Grand-Challenge.org）。 - 部分镜像可能发布于[Zenodo](https://zenodo.org/)或[Kaggle](https://www.kaggle.com/)。 - **使用要求**： - 需遵守数据使用协议（如非商业用途、署名要求）。 - 需医学图像处理工具（如SimpleITK、PyTorch）加载和分析数据。 #### 4. **应用场景** - **研究方向**： - 心脏结构分割（如心室、心房体积计算）。 - 半监督/弱监督医学图像分割（参考[^2]中SSL方法）。 - 跨域迁移学习（针对不同扫描仪或临床中心数据差异）[^2]。 #### 5. **示例代码（数据加载）** ```python import nibabel as nib import numpy as np # 加载NIfTI格式的CT图像和标签 ct_volume = nib.load('ct_scan.nii.gz').get_fdata() label_volume = nib.load('ct_label.nii.gz').get_fdata() # 可视化某一轴向切片 import matplotlib.pyplot as plt plt.imshow(ct_volume[:, :, 50], cmap='gray') plt.axis('off') plt.show() ``` #### 6. **注意事项** - **标注质量**：需验证标签准确性，部分边缘区域可能存在模糊性。 - **域偏移问题**：不同扫描仪采集的数据可能导致模型性能下降（参考中跨域分析）。 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值