AbdomenAtlas-8K：三周内标注 8000 个 CT 体数据用于多器官分割
图像与视频处理
2025-07-09 v3 计算机视觉与模式识别
机器学习
摘要
标注医学图像，尤其是器官分割，是繁重且耗时的。例如，根据标注者的专业水平以及器官的大小、可见性与复杂度，标注一个腹部器官的估计耗时为每个 CT 体数据 30–60 分钟。因此，公开可用的多器官分割数据集往往在数据规模与器官多样性上受限。本文提出一种主动学习方法来加速器官分割的标注过程，并创建了（迄今）最大的多器官数据集，在 8,448 个 CT 体数据（相当于 320 万张切片）中标注了脾脏、肝脏、肾脏、胃、胆囊、胰腺、主动脉与下腔静脉（IVC）。传统标注方法需一名经验丰富的标注者长达 1,600 周（约 30.8 年）来完成此任务。相比之下，我们的标注方法在三周（基于每天 8 小时、每周 5 天的工作制）内完成了该任务，同时保持相似甚至更优的标注质量。这一成就归因于我们方法的三个独特性质：（1）使用多个预训练分割模型降低标注偏差；（2）对模型预测中的错误进行有效检测；（3）为标注者提供注意力引导以修正最显著的误差。此外，我们总结了 AI 算法与标注者所犯常见错误的分类法。这使得 AI 与标注能够持续修订，并显著降低了为更广泛医学成像任务创建大规模数据集所需的标注成本。
引用
@article{arxiv.2305.09666,
title = {AbdomenAtlas-8K: Annotating 8,000 CT Volumes for Multi-Organ Segmentation in Three Weeks},
author = {Chongyu Qu and Tiezheng Zhang and Hualin Qiao and Jie Liu and Yucheng Tang and Alan Yuille and Zongwei Zhou},
journal= {arXiv preprint arXiv:2305.09666},
year = {2025}
}
备注
Conference on Neural Information Processing Systems (NeurIPS 2023)