Arctique：一个融合真实性与可控性的合成病理组织学数据集，用于不确定性量化

不确定性量化（UQ）对于可靠的图像分割至关重要。然而，尽管该领域不断开发新方法，但缺乏公认的基准限制了它们的系统比较和评估：当前的UQ方法通常要么在过于简单的玩具数据集上测试，要么在复杂的真实世界数据集上测试，这些数据集无法辨别真实的不确定性。为了统一可控性和复杂性，我们引入了Arctique，这是一个以病理组织学结肠图像为模型的程序化生成数据集。我们选择病理组织学图像有两个原因：1) 它们在复杂的物体结构和高度可变的外观方面的复杂性，产生了具有挑战性的分割问题；2) 它们在医学诊断中的广泛应用以及高质量UQ的相关重要性。为了生成Arctique，我们建立了一个基于Blender的框架，用于具有内在噪声操纵的3D场景创建。Arctique包含50,000张渲染图像及其精确掩码，以及噪声标签模拟。我们展示了通过独立控制图像和标签中的不确定性，可以有效地研究几种常用UQ方法的性能。因此，Arctique作为一个关键资源，用于在复杂的多目标环境中对UQ技术和其他方法进行基准测试和推进，弥合了真实性与可控性之间的差距。所有代码均公开可用，允许重新创建和受控操纵我们提供的图像，以及创建和渲染新场景。