医学图像处理——经典胰腺分割数据集介绍：NIH Pancreas-CT 、Task07_Pancreas（MSD）

已于 2024-10-16 15:28:44 修改
阅读量3.3k 收藏 19
点赞数 40
文章标签： 图像处理 人工智能
于 2024-10-16 15:18:08 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/weixin_46046293/article/details/142980863
版权

NIH Pancreas-CT 和 Task07_Pancreas（MSD) 数据集都是经典的胰腺医学影像数据集，绝大多数的胰腺分割paper都是基于这两个数据集的。

目录

1、NIH Pancreas-CT

2、Task07_Pancreas

1、NIH Pancreas-CT

数据获取（.nii.gz）：PANCREAS-CT - The Cancer Imaging Archive (TCIA)

Kaggle链接（.npy）：Pancreas-CT Dataset (kaggle.com)

介绍：美国国立卫生研究院临床中心进行了82例腹部增强型三维CT扫描（在静脉注射造影剂约70秒后进行门静脉期扫描），其中包括53名男性和27名女性受试者。17名受试者为健康的肾脏捐赠者，在肾切除术前进行了扫描。其余65名患者由放射科医生从无重大腹部疾病且无胰腺癌病变的患者中选出。受试者的年龄范围为18至76岁，平均年龄为46.8 ± 16.7岁。CT扫描的分辨率为512x512像素，像素大小和层厚度各不相同，层厚在1.5至2.5毫米之间，使用飞利浦和西门子MDCT扫描仪（120 kVp管电压）获取。

胰腺的逐层分割

最低0.47元/天 解锁文章
胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集）
09-12
胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个验证集和标签；胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个验证集和标签；胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个验证集和标签；胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个验证集和标签；胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个验证集和标签；胰腺（pancreas）分割、CT分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个验证集和标签
Pancreas-CT数据集-Attention Unet实验数据集之一
lgc050900的博客
11-13 1602
Attention unet论文实验数据集之一
半监督的医学分割数据集(LA, Pancreas, ACDC和PROMISE12)分享
qq_45691955的博客
03-19 2818
这篇文章提供了四个常用的半监督医学分割数据集，所有数据集都已经被处理成了.h5文件。下载之后就可以直接使用
胰腺分割论文
u013313168的专栏
08-28 2142
title years links based model code TernaryNet: Faster Deep Model Inference without GPUs for Medical 3D Segmentationusing Sparse and Binary Convolutions 2018 arXiv DCNN github
OMG！12个腹部CT公开数据集，肝肾胰脾胃肠肠肚肚全都有
zzjlhlcd的博客
03-12 807
在医学研究和临床实践中，高质量的影像数据集是不可或缺的宝贵资源。今天介绍12个公开可用的腹部影像数据集。1 BTCV数据集数据概述：从一项正在进行的结肠直肠癌化疗试验和一项回顾性腹疝研究中随机选择了 50 张腹部 CT 扫描。两名经验丰富的本科生手动标记了 13 个腹部器官，并由放射科医生使用MIPAV软件以体积为基础进行验证数据量：50个CT volume数据类型：门静脉期CT体积：512 x 512 x 85 - 512 x 512 x 198。
Pancreas-CT数据集TCIA 预处理后的h5文件分享
weixin_48401178的博客
10-29 332
TCIA的胰脏数据集经过预处理后的h5文件，可直接用于深度学习任务。
医学图像分割数据集：内窥镜图像语义分割数据【包含标注好的数据集、可视化代码、txt标签文本】
09-01
图像分辨率为：854*480，可用于细粒度分割 数据格式：jpg mask标签格式：png 标签信息（13类）：黑色背景、腹壁、肝脏、胃肠道、脂肪、抓握器、结缔组织、血液、胆囊管、L 钩电烙术（仪器）、胆囊、肝静脉和肝韧带【具体的标签类别可以在classes txt文本中查看】 运行show脚本即可查看gt在images上的掩膜结果 数据集介绍：分为训练集、验证集、测试集 训练集：images图片目录+masks模板目录，2900张图片和2900个对应的mask图像 验证集：images图片目录+masks模板目录，1200张图片和1200个对应的mask图像 网络分割可以参考：https://blog.csdn.net/qq_44886601/category_12102735.html yolov5的分割实战：https://blog.csdn.net/qq_44886601/article/details/139504744
医学图像分割数据集：大脑MRI肿瘤图像分割数据【包含标注好的数据集、可视化代码、txt标签文本】
07-28
图像分辨率为：640*640，可用于细粒度分割 数据格式：jpg mask标签格式：png 标签信息（2类）： 0：背景、1：肿瘤【具体的标签类别可以在classes txt文本中查看】 运行show脚本即可查看gt在images上的掩膜结果 数据集介绍：分为训练集、验证集、测试集 训练集：images图片目录+masks模板目录，201张图片和201个对应的mask图像 验证集：images图片目录+masks模板目录，600张图片和600个对应的mask图像 网络分割可以参考：https://blog.csdn.net/qq_44886601/category_12102735.html yolov5的分割实战：https://blog.csdn.net/qq_44886601/article/details/139504744
医学图像分割数据集：肺分割数据（包含训练集和测试集）
04-29
项目包含：肺分割数据（包含训练集和测试集） 数据集为256*256 分辨率下的肺部分割。分割的前景包含左肺、右肺等等。标签的mask图像为前景为255的二值图像，方便观察 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，6849张图片和6849个对应的mask图片 测试集：images图片目录+masks模板目录，1712图片和1712个对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下
医学图像分割数据集：脾脏分割数据集（轴位面）（包含训练集和测试集）
04-08
项目包含：脾脏分割数据集（包含训练集和测试集） 【2类别的分割，0背景，1脾脏】 数据集为spleen脾脏3d分割数据集，在第一维度（轴位面）抽取的2d数据，去除了前景区域不足0.001的数据，标注效果极好，前景区域丰富， 数据集总大小：66MB 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，569张图片和569个对应的mask图片 测试集：images图片目录+masks模板目录，142张图片和142个对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下
医学图像分割数据集：超声乳腺良性图像分割数据集（包含训练集和测试集、标签）
10-06
医学图像分割数据集：超声乳腺良性图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、良性乳腺，具体的查看classes文件】 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，300张左右图片和对应的mask图片 测试集：images图片目录+masks模板目录，130张左右图片和对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html
unet:U-Net生物医学图像分割
05-01
适用于Python的深度学习医学十项全能演示* 具有医学十项全能数据集的U-Net生物医学图像分割。 该存储库包含用于使用数据集（ ）训练模型的和 U-Net TensorFlow脚本。 。 引文 David Ojika，Bhavesh Patel，G。Athony Reina，Trent Boyer，Chad Martin和Prashant Shah。 与第三次机器学习和系统会议（MLSys）共同举办的“解决AI模型培训中的内存瓶颈”，德克萨斯州奥斯汀市，MLOps系统研讨会（2020）。
TCGA-PAAD-mRNA表达数据——胰腺癌表达及临床数据集整理
03-31
TCGA-PAAD数据集已经整理成LCPM格式，临床数据已经汇总整理。 LCPM格式即log2(CPM+1)格式，现在认为log2(TPM+1)和log2(FPKM+1)格式比较过时了。部分生信文章审稿人推荐使用此格式分析数据
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
大臣不想在月亮上上热搜
10-15 1461
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
骨科医学图像分割数据集
12-31
### 骨科医学图像分割数据集 对于骨科医学图像分割的任务，多个公开可用的数据集能够支持机器学习和人工智能训练的需求。这些数据集提供了不同类型的骨骼影像资料，有助于开发更精确的诊断工具。 #### 常见的骨科...
医图论文 MIA 2025 | 用于部分监督多器官医学图像分割的标注到未标注分布对齐方法
最新发布
小白学视觉
04-27 19
提出全新框架：论文提出标注到未标注分布对齐（LTUDA）框架，该框架基于两个关键见解，即利用未标注像素进行数据增强和使用紧凑表示学习准确决策边界，以此解决部分监督医学图像分割中标签与未标注像素之间的分布不匹配问题，进而生成无偏伪标签。设计数据增强策略：引入跨集数据增强策略，通过在标注和未标注像素之间进行区域级混合，生成新的强扰动样本，其标签结合了标注像素的真实标签和未标注像素的伪标签。该策略不仅丰富了训练样本的多样性，还能缓解因标注像素有限导致的过拟合问题，使标注像素的分布更接近未标注像素。开发分布对齐方法
部分监督多器官医学图像分割中的标记与未标记分布对齐|文献速递--基于多模态-半监督深度学习的病理学诊断与病灶分割
weixin_38594676的博客
09-27 1239
Title题目Labeled-to-unlabeled distribution alignment for partially-supervised multi-organ medical image segmentation部分监督多器官医学图像分割中的标记与未标记分布对齐01文献速递介绍多器官医学图像分割（Mo-MedISeg）是医学图像分析领域中一个基础但具有挑战性的研究任务。它涉及为给定图像的每个像素分配一个语义器官标签，例如“肝脏”、“肾脏”、“脾脏”或“胰腺”。任何未定义的器官区域都被视为属于
医学图像分割数据集与制作自己的数据集
juluwangriyue的博客
10-11 3760
在网上下载到LPBA40的数据集，这个是做配准用的，不过用来说明分割数据集格式也可以。 原始数据： 标签 不同的颜色代表不同的类别。注意其实标签颜色都是灰度值，不是彩色的，之所以看到彩色是因为 3d slicer显示软件的显示功能。自己设置不同类别时只需要设置不同的灰度值就可以了。 于是制作自己的分割数据集，可以对不同的分割部分使用不同的颜色。 也可以参考我的这篇博客里面列出的数据集的样子医学图像分割 标注信息如下（样本集7中的标注）： 标注文件格式“.nii.gz”，3D标注信息中的 左髋灰度值（17
医学图像分割论文学习：WORD：基于CT图像的腹部器官分割的大规模数据集，基准和临床应用研究（2022）
qq_49603002的博客
04-21 6337
腹部器官分割是腹部疾病诊断、癌症治疗和放射治疗计划的基本和基本任务（Tang 等人，2019年）。准确的分割结果可以为临床诊断和随访提供有价值的信息，如器官大小、位置、边界状态、多个器官的空间关系等。此外，器官分割在临床治疗中起着至关重要的作用，尤其是在基于放射治疗的癌症和肿瘤治疗中（Chen 等人，2021b准确分割有风险的器官可以减轻对癌症区域附近健康器官的潜在影响。然而，在临床实践中，器官分割通常由放射肿瘤学家或放射科医生手动执行。它既耗时又容易出错，需要注释员。
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