AMOS:面向通用医学图像分割的大规模腹部多器官基准
图像与视频处理
2022-09-05 v3 计算机视觉与模式识别
机器学习
摘要
尽管近年来从 CT/MRI 扫描中自动进行腹部多器官分割取得了显著进展,但缺乏来自多样临床场景的大规模基准阻碍了模型能力的综合评估。受限于收集和标注 3D 医学数据的高成本,迄今为止大多数深度学习模型由具有有限数量感兴趣器官或样本的数据集驱动,这仍限制了现代深度模型的威力,并难以对各种方法提供完全全面且公平的估计。为缓解这些局限,我们提出 AMOS,一个大规模、多样的腹部器官分割临床数据集。AMOS 提供从多中心、多厂商、多模态、多相位、多疾病患者收集的 500 例 CT 和 100 例 MRI 扫描,每例均有 15 个腹部器官的体素级标注,为在多样目标与场景下研究鲁棒分割算法提供了具有挑战性的示例与测试平台。我们进一步基准测试了若干最先进的医学分割模型,以评估现有方法在这一新挑战性数据集上的水平。我们已公开数据集、基准服务器与基线,并希望启发未来研究。相关信息见 https://amos22.grand-challenge.org。
引用
@article{arxiv.2206.08023,
title = {AMOS: A Large-Scale Abdominal Multi-Organ Benchmark for Versatile Medical Image Segmentation},
author = {Yuanfeng Ji and Haotian Bai and Jie Yang and Chongjian Ge and Ye Zhu and Ruimao Zhang and Zhen Li and Lingyan Zhang and Wanling Ma and Xiang Wan and Ping Luo},
journal= {arXiv preprint arXiv:2206.08023},
year = {2022}
}