息肉分割(Polyp Segmentation)方向常用数据集汇总

已于 2023-02-08 10:25:22 修改
阅读量1.2w 收藏 130
点赞数 22
分类专栏： Polyp Segmentation 文章标签： 划水
于 2022-09-18 21:02:38 首次发布
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.csdn.net/qq_40714949/article/details/125979508
版权

本文不保证时效性，覆盖性，准确性

BENCHMARK

如果是单纯发文章刷点的话，目前采用的大多为
PraNet: Parallel Reverse Attention Network for Polyp Segmentation
所划分好的训练集与测试集
[paper] [repo] [train] [test]
具体来说，训练集由Kvasir-SEG中的900张图像以及CVC-ClinicDB的550张图像构成，共1450个样本；
测试集有五个，分别为Kvasir-SEG剩余的100张图像；CVC-ClinicDB剩余的62张图像；完整的CVC-ColonDB数据集(380个样本)；完整的ETIS数据集(196个样本)；CVC-300数据集的60张图像(CVC-300指EndoScene的912张图像减去ColonDB的612张图像)。
因此，关于后文会涉及到的有些官网失效的数据集，可以通过上面的方法进行重建。
需要注意的是，这几个数据集的命名、使用均较为混乱，所以实际情况以对应论文为准。

Kvasir-SEG

Kvasir-SEG: A Segmented Polyp Dataset
包含1000张息肉图像以及对应的标注。
项目地址： https://datasets.simula.no/kvasir-seg/
下载链接： https://datasets.simula.no/downloads/kvasir-seg.zip

Kvasir-Sessile

Kvasir-SEG: A Segmented Polyp Dataset
Kvasir-SEG的子集，包含196张条状的较为困难的息肉图像以及对应的标注。
项目地址： https://datasets.simula.no/kvasir-seg/
下载链接： https://datasets.simula.no/downloads/kvasir-sessile.zip

CVC-ClinicDB

Wm-dova Maps for Accurate Polyp Highlighting in Colonoscopy: Validation vs. Saliency Maps from Physicians
包含612张息肉图像以及对应的标注。这612张图像是从29个不同的内窥镜视频片段中提取出来的，也就是说同一个片段内的各图像内容是十分相似的。
项目地址： https://polyp.grand-challenge.org/CVCClinicDB/
下载链接： https://www.dropbox.com/s/p5qe9eotetjnbmq/CVC-ClinicDB.rar?dl=0

CVC-ColonDB

Automated Polyp Detection in Colonoscopy Videos using Shape and Context information
包含380张息肉图像以及对应的标注。目前项目官网已失效。
项目地址： http://mv.cvc.uab.es/projects/colon-qa/cvc-colondb
下载链接：/

EndoScene

A Benchmark for Endoluminal Scene Segmentation of Colonoscopy Images
EndoScene = CVC-ClinicDB & CVC-300，因此包含912张图像以及对应的标注。目前项目官网已失效。
项目地址： http://adas.cvc.uab.es/endoscene
下载链接： http://www.cvc.uab.es/CVC-Colon/databases/cvc-endoscenestill/

ETIS

Toward Embedded Detection of Polyps in WCE Images for Early Diagnosis of Colorectal Cancer
包含192张息肉图像以及对应的标注。目前项目官网已失效。
项目地址： https://polyp.grand-challenge.org/EtisLarib/
下载链接： /

LDPolypVideo

LDPolypVideo Benchmark: A Large-Scale Colonoscopy Video Dataset of Diverse Polyps
包含160个息肉视频片段共40,266张图像及其对应的标注。此外，也提供了更多的无标注数据。
项目地址： https://github.com/dashishi/LDPolypVideo-Benchmark
下载链接： https://pan.baidu.com/s/1ri3lDBDl3v00TAXc6euzvw

ASU-Mayo

为目前最大型的息肉数据集，包含36458张息肉图像以及对应的标注。
项目地址： https://polyp.grand-challenge.org/AsuMayo/
下载链接： 该数据集为非公开数据集，需要邮件联系作者获取

广告：欢迎点击扫描下方微信名片与笔者讨论更多有关息肉分割的内容

xiongxyowo
关注
  • 22
    点赞
  • 踩
  • 130
    收藏
    觉得还不错? 一键收藏
  • 15
    评论
专栏目录
ERDUnet: An Efficient Residual Double-codingUnet for Medical Image Segmentation
weixin_45622568的博客
03-25 971
ERDUnet:一种用于医学图像分割的高效残差双编码单元 摘要 医学图像分割在临床诊断中有着广泛的应用，基于卷积神经网络的分割方法已经能够达到较高的准确率。然而，提取全局上下文特征仍然很困难，而且参数太大，无法临床应用。为此，我们提出了一种新的网络结构来改进传统的编码器-解码器网络模型，在保持分割精度的同时节省了参数。通过构造一个能够同时提取局部特征和全局连续性信息的编码器模块，提高了特征提取效率。设计了一种新的注意力模块，在优化分割边界区域的同时提高训练效率。改进了解码部分的特征传递结构，充分融合了不
unet_polyp_segmentation:使用改进的U-Net进行结肠直肠息肉的检测和分割
05-17
unet_polyp_segmentation 使用改进的U-Net进行结肠直肠息肉的检测和分割 所有图像均从CVC-ClinicDB网站下载 Bernal，J.，Sánchez，FJ，Fernández-Esparrach，G.，Gil，D.，Rodríguez，C.，＆Vilariño，F.（2015年）。 WM-DOVA图可在结肠镜检查中准确显示息肉：医生的验证图与显着图。 计算机医学成像和图形学，43，99-111。
Kvasir-SEG Segmented Polyp Dataset息肉医学影像数据集-数据集
03-13
Kvasir-SEG dataset is an open-access dataset of gastrointestinal polyp images and corresponding segmentation masks. Kvasir-SEG是胃肠道息肉医学影像相关的开源数据集。 pranet.pdf
CVC-ClinicDB-数据集
03-18
CVC-ClinicDB是从结肠镜检查视频中提取的帧的数据库。数据集包含息肉帧的几个示例及其对应的地面真实情况。地面真相图像由一个蒙版组成，该蒙版与图像中息肉所覆盖的区域相对应。 class_dict.csv CVC-ClinicDB_datasets.txt metadata.csv CVC-ClinicDB_datasets.zip
CVC-ClinicDB（Colorectal Cancer-Clinic Dataset）数据集介绍
最新发布
weixin_49090702的博客
06-07 574
CVC-ClinicDB（Colorectal Cancer-Clinic Dataset）数据集介绍
CVC-ClinicSpec
12-07
内窥镜反光数据集，如果使用了该数据集，请引用 Sánchez, F. J., Bernal, J., Sánchez-Montes, C., de Miguel, C. R., & Fernández-Esparrach, G. (2017). Bright spot regions segmentation and classification for specular highlights detection in colonoscopy videos. Machine Vision and Applications, 28(8), 917-936.
息肉医学影像数据集（Kvasir-SEG Segmented Polyp Dataset ）
10-17
息肉医学影像数据集 Kvasir-SEG dataset is an open-access dataset of gastrointestinal polyp images and corresponding segmentation masks. Kvasir-SEG是胃肠道息肉医学影像相关的开源数据集。
息肉分割（Polyp Segmentation）-BCNet
qq_45981086的博客
07-15 1984
论文：Boundary Constraint Network With Cross Layer Feature Integration for Polyp Segmentation。
YOLO直肠息肉检测数据集
05-15
1、YOLO直肠息肉检测数据集，标签格式我txt和xml两种，可以直接用于YOLO直肠息肉检测 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
[论文阅读] Adaptive Context Selection for Polyp Segmentation
xiongxyowo的博客
03-22 1924
内容简介 这个网络是用来做息肉分割的(不过在思想上像SOD，这里的显著对象就可以认为是息肉) 主要的点在于提出了一堆比较新鲜的模块(LCA、GCM、ASM) LCA(Local Context Attention) 局部上下文注意力模块。长这样： 所谓“局部”即对更容易出错的复杂区域(如边缘)进行学习。对于某个中间Decoder层的输出Prediction，将其放入一个公式计算： Attij=1−∣pi+1j−T∣max⁡(T,1−T) A t t_{i}^{j}=1-\frac{\left|p_{i
息肉分割数据集kvasir-seg的处理
wwimhere的博客
02-26 490
kvasir-seg数据集作为一个只有单一前景的分割任务，按理说其mask只能是二值化的，但是现在却有不止两种值。其黑色区域的值可能是0, 1, 2, 3, 4, 5, 6, 7,8；白色区域可能是48, 249, 250, 251, 252, 253, 254, 255等。虽然做息肉分割除了kvasir-seg也没有太多好的选择，但这个数据集的问题挺多的，不能直接使用。相比其他领域的数据集，这个数据集真的很粗糙。其次，维度问题，要注意，最后输入训练的mask的channel必须是1.
LOD-Net:用于息肉分割的可学习的定向导数网络
04-06
用于息肉分割的可学习的定向导数网络 抽象的 胃肠息肉是结直肠癌的主要原因。 考虑到息肉在大小，颜色，质地和内窥镜检查带来的不良光学条件方面存在差异，息肉分割仍然是一个具有挑战性的问题。 在本文中，我们提出了一个可学习的定向导数网络（LOD-Net），以提炼息肉的边界预测准确性。 具体而言，它首先计算息肉在每个像素处的八个定向导数。 然后，选择那些具有较大定向导数值的像素来构成息肉的候选边界区域。 最后，它通过融合边界区域特征以及由骨干网络计算出的高级语义特征来完善边界预测。 大量的实验和消融研究表明，与最新技术相比，拟议的LOD-Net在包括CVC-ClinicDB，Kvasir，ETIS和EndoScene在内的公开数据集上具有可观的优势。 数据集 我们遵循的数据设置。 您可以下载数据集并将其处理为COCO格式以进行培训和测试。 结果 CVC诊所数据库 克瓦西尔 ETIS 内幕 模型
CVC-T Endoscene 息肉数据集
03-07
CVC-T 数据集是一个更广泛的数据集的测试集，称为 Endoscene。CVC-T 由从 36 名患者获得的 44 个视频序列中获得的 60 张图像组成。 一度找不到这个单独的数据集，但其实是包含在一整个医学分割网络的训练策略里的，这个策略是： 训练：其中90%的Kvasir和ClinicDB数据集； 测试：Kvasir和CVC-ClinicDB数据集中的其余图像+CVC-ColonDB+CVC-T+ETIS-Larib的所有图像。 如果有单独的需要可以自取。
EndoSLAM:EndoSLAM数据集和内窥镜视频的无监督单眼视觉测程和深度估计方法
05-26
EndoSLAM数据集和内窥镜视频的无监督单眼视觉测程和深度估计方法 EndoSLAM数据集概述 我们介绍了一种内窥镜SLAM数据集，该数据集既包含前体数据又包含合成数据。 数据集的离体部分包括标准和胶囊内窥镜记录。 数据集分为35个子数据集。 具体而言，分别存在结肠，小肠和胃的18、5和12个子数据集。 据作者所知，这是已发布的第一个用于胶囊内窥镜SLAM任务的数据集，具有定时6 DoF姿态数据和高精度3D地图地面真相 使用了两种不同的胶囊和传统的内窥镜相机，具有高分辨率和低分辨率，从而产生了不同的相机规格和照明条件。 来自不同相机的图像具有相同器官的不同分辨率和每个相关器官的深度，是所提出数据集的进一步独特功能。 我们还提供了两种类型的无线内窥镜的图像和姿态值，它们在某些方面彼此不同，例如相机分辨率，帧频以及用于检测Z线，十二指肠乳头和出血的诊断结果。 一些子数据集在两个版本中包
直肠息肉信息
03-02
直肠息肉信息
论文研究-胶囊内窥镜冗余图像数据自动筛除方法.pdf
07-22
针对胶囊内窥镜检查的海量图像数据, 提出基于归一化互信息量及归一化互相关系数的冗余图像数据筛除方法。将图像在HSV色彩空间量化聚类; 然后计算相邻图像的相似度系数, 最后根据相似筛除比例进行迭代筛除。针对49例病例, 按照70%的筛除比率, 实验结果得到100%的病灶数量保留率和较低的图像误删率。基于归一化互信息量冗余图像数据筛除方法能够高效准确地筛除冗余图像数据并极大地缩短阅片时间; 在该算法的基础上, 开发了胶囊内窥镜图像自动筛查系统, 为医生判诊提供辅助和支持。
息肉检测数据集2D转3D
12-09
息肉检测数据集2D转3D是一个重要的计算机视觉任务，尤其在医学图像分析领域具有广泛应用。这个数据集主要用于训练和评估算法在识别肠道息肉（一种潜在的癌症前兆）方面的能力。将2D图像转换为3D模型能够提供更全面、...
息肉检测数据2D转3D格式
12-09
息肉检测数据的2D转3D格式是一个重要的医学图像处理技术，主要应用于胃肠镜检查中的息肉识别和分析。息肉是肠道内壁非癌性肿瘤，早期检测和跟踪对于预防结直肠癌至关重要。2D转3D转换旨在为医生提供更全面、立体的...
项目实训（九）——数据集的获取
yyyyyyyx_的博客
05-30 369
通过将医学影像中的息肉与周围正常组织进行分离，可以提供更清晰的视觉参考，帮助医生准确地确定息肉的位置、形状和大小。正如我们上文提到的那样，我们可以通过小样本对SAM模型进行微调，那么我们需要获取有关息肉的数据集，我们应该选用什么数据集呢。CVC-ClinicDB数据集的获取：我们可以进入官网对CVC-ClinicDB数据集进行下载。
Polyp Segmentation
09-26
Polyp Segmentation是指从结肠镜视频中，通过使用计算机视觉技术来自动识别和分割结肠息肉的过程。具体来说，Polyp Segmentation旨在将结肠镜视频中的结肠息肉与周围正常组织进行有效地分割，以便医生可以更准确地进行病变检测和诊断。 引用提出了一种名为PolypSeg的有效上下文感知网络，用于结肠镜视频中的结肠息肉分割。该方法结合了多尺度特征和空间注意力机制，能够准确地定位和分割结肠息肉。 引用提出了一种名为BoxPolyp的方法，通过使用额外的粗略边界框标注，来提升结肠息肉分割的性能。该方法利用边界框信息引导网络学习更准确的结肠息肉分割边界。 引用提出了一种名为LODNet的方法，通过学习可学习的定向导数网络，来实现结肠息肉的分割。该方法通过有效地处理结肠息肉的边缘信息，提高了分割的准确性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 15
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