用于脊髓损伤定位与解剖分割的新型开源超声数据集及深度学习基准
图像与视频处理
2026-03-27 v1 计算机视觉与模式识别
机器学习
摘要
尽管深度学习在众多领域催生了突破性进展，但数据采集与标注的高成本和耗时性阻碍了其在临床环境中的更广泛应用。为了进一步促进医学机器学习，我们提供了一个包含 10,223 张亮度模式（B-mode）图像的超声数据集，这些图像由猪脊髓（N=25）在挫伤前后的矢状切片组成。我们还对几种 SOTA 目标检测算法的性能指标进行了基准测试，以定位损伤部位；并对语义分割模型进行了基准测试，以标注解剖结构，从而进行比较并创建特定任务的架构。最后，我们评估了分割模型在人类超声脊髓图像上的零样本泛化能力，以确定在我们的猪数据集上进行训练是否足以准确解读人类数据。结果表明，YOLOv8 检测模型在损伤定位方面优于所有评估的模型，其平均精度均值（mAP50-95）得分为 0.606。分割指标表明，DeepLabv3 分割模型在未见过的猪解剖结构上实现了最高准确率，平均 Dice 得分为 0.587，而 SAMed 在泛化到人类解剖结构时取得了最高的平均 Dice 得分（0.445）。据我们所知，这是向研究人员和医学专业人员公开提供的最大的脊髓超声图像标注数据集，也是首份公开报道的利用目标检测与分割架构评估脊髓解剖标志的报告，旨在用于方法学开发与临床应用。
引用
@article{arxiv.2409.16441,
title = {A novel open-source ultrasound dataset with deep learning benchmarks for spinal cord injury localization and anatomical segmentation},
author = {Avisha Kumar and Kunal Kotkar and Kelly Jiang and Meghana Bhimreddy and Daniel Davidar and Carly Weber-Levine and Siddharth Krishnan and Max J. Kerensky and Ruixing Liang and Kelley Kempski Leadingham and Denis Routkevitch and Andrew M. Hersh and Kimberly Ashayeri and Betty Tyler and Ian Suk and Jennifer Son and Nicholas Theodore and Nitish Thakor and Amir Manbachi},
journal= {arXiv preprint arXiv:2409.16441},
year = {2026}
}