Hemorica：一个用于自动化脑出血分类、分割与检测的综合CT扫描数据集
计算机视觉与模式识别
2025-11-07 v2
摘要
基于计算机断层扫描（CT）的颅内出血（ICH）及时诊断仍是临床优先事项，然而，稳健的人工智能（AI）解决方案的开发仍因公共数据碎片化而受阻。为弥合这一差距，我们推出了 Hemorica，一个公开可用的数据集，包含 372 例于 2012 年至 2024 年间采集的头部 CT 检查。每例扫描均针对五种 ICH 亚型——硬膜外出血（EPH）、硬膜下出血（SDH）、蛛网膜下腔出血（SAH）、脑实质内出血（IPH）和脑室内出血（IVH）——进行了详尽标注，产生了患者级和切片级分类标签、亚型特异性边界框、二维像素掩膜和三维体素掩膜。采用双读片工作流程，并在此之前进行了一轮试点共识阶段，辅以神经外科医生的裁定，保持了较低的评分者间变异性。全面的统计分析证实了该数据集的临床真实性。为建立参考基线，我们对标准卷积和 Transformer 架构进行了微调，用于二分类切片分类和出血分割。仅需极少的微调，轻量级模型如 MobileViT-XS 在二分类中达到了 87.8% 的 F1 分数，而采用 DenseNet161 编码器的 U-Net 在二分类病变分割中达到了 85.5% 的 Dice 分数，这验证了标注的质量和样本量的充分性。因此，Hemorica 提供了一个统一的、细粒度的基准，支持多任务和课程学习，便于迁移到更大但弱标注的队列，并促进了设计基于 AI 的 ICH 检测与量化辅助系统的过程。
引用
@article{arxiv.2509.22993,
title = {Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection},
author = {Kasra Davoodi and Mohammad Hoseyni and Javad Khoramdel and Reza Barati and Reihaneh Mortazavi and Amirhossein Nikoofard and Mahdi Aliyari-Shoorehdeli and Jaber Hatam Parikhan},
journal= {arXiv preprint arXiv:2509.22993},
year = {2025}
}
备注
We need to double check the data and statistics. We will publish the complete version in coming months