一个定制的注释数据集,用于细分肺静脉,动脉和气动脉的细分
Jian Liu1, Zheng Zhang2, Bing Niu3
1School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China.
Scientific data
|November 18, 2025
概括
一个新的数据集,AirRC,为CT扫描提供了详细的3D肺部结构注释. 本资源有助于开发先进的肺部细分算法,以更好地管理肺部疾病.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 放射学 放射学是一门学科.
背景情况:
- 在CT扫描中精确细分肺结构对于诊断和管理肺部疾病至关重要.
- 目前的研究受限于大型,公开可用的数据集的稀缺性,这些数据集具有全面的多结构注释.
- 现有的数据集往往缺乏对空气道壁和较小的血管等结构的详细注释.
研究的目的:
- 在CT (AirRC) 数据集中引入气道和肺血管结构表示.
- 为培训和评估肺结构细分的深度学习模型提供全面的资源.
- 促进肺部CT扫描自动化分析的进步.
主要方法:
- 该AirRC数据集是使用来自LUNA16数据集的254个CT扫描创建的.
- 为肺静脉,动脉,气道光线和气道壁生成了详细的3D面具.
- 采用基于MONAI的定制深度学习管道用于使用5倍交叉验证进行技术验证.
- 实施了两阶段的精细化策略,以加强小型气道分支机构的细分.
主要成果:
- 实现了高平均子相似系数 (DSC):肺静脉 (0.953),肺动脉 (0.950) 和气道亮度 (0.941).
- 对于具有挑战性的气道壁细分 (0.866) 观察到强的表现.
- 对公共基准 (ATM'22,Parse2022,HiPas) 的外部验证证明了在AirRC上训练的模型的可通用性.
结论:
- 该AirRC数据集是一个有价值和强大的资源,用于开发先进的肺部细分算法.
- 该数据集可以提高深度学习模型的准确性和通用性,用于肺部CT分析.
- 通过增强的图像分析,AirRC支持自动化肺部疾病管理的进步.
