太字节级有监督三维小鼠肾脏训练与基准数据集
计算机视觉与模式识别
2023-08-04 v3 医学物理
组织与器官
摘要
当机器学习算法用于分割三维生物医学图像时，其性能未达到基于二维照片结果所预期的水平。这或可归因于高质量、大容量训练数据集的相对缺乏，而此类数据集需要最先进的成像设施、用于标注的领域专家以及大量的计算与人力。本工作提出的 HR-Kidney 数据集弥补了这一缺口，其提供 1.7 TB 经伪影校正的基于同步辐射的 X 射线相衬微层析小鼠全肾图像，以及经验证的 33 729 个肾小球的分割，较现有生物医学数据集提升了一到两个数量级。该图像集还包含底层原始数据、基于阈值与形态的肾血管与泌尿小管的半自动分割，以及真实的三维人工标注。我们由此为科学界在图像处理、数据增强与机器学习领域（尤其是无监督与半监督学习研究，以及迁移学习与生成对抗网络）奠定基础以供构建与拓展。
引用
@article{arxiv.2108.02226,
title = {Terabyte-scale supervised 3D training and benchmarking dataset of the mouse kidney},
author = {Willy Kuo and Diego Rossinelli and Georg Schulz and Roland H. Wenger and Simone Hieber and Bert Müller and Vartan Kurtcuoglu},
journal= {arXiv preprint arXiv:2108.02226},
year = {2023}
}