医学图像分割论文学习：WORD：基于CT图像的腹部器官分割的大规模数据集，基准和临床应用研究（2022）

原创

已于 2023-06-04 20:00:41 修改 · 8k 阅读

于 2023-04-21 17:49:04 首次发布

该文介绍了WORD，一个包含150个CT图像的大规模腹部器官分割数据集，涵盖16个器官的精细注释。数据集评估了深度学习方法的性能，显示在大器官分割上效果良好，但在小器官分割上仍有挑战。此外，用户研究表明，尽管深度学习模型能辅助大器官分割，但在小器官上仍需肿瘤学家修正。该数据集为研究和临床应用提供了新基准。

原文链接：WORD：CT图像腹部器官分割的大规模数据集、基准和临床应用研究 - ScienceDirect

这篇文章介绍了一个新的大规模腹部器官分割数据集（WORD），包含150个CT体积（30495个切片），每个体积有16个器官的精细注释。该数据集是目前最全面的腹部器官分割数据集之一，可用于研究和临床应用开发。文章还评估了几种最先进的分割方法在该数据集上的性能，并探讨了推理高效学习和标注高效学习等潜在的研究方向。这项工作为腹部多器官分割任务提供了新的基准和挑战。

Hightlights

•
A high-quality abdomen CT dataset with annotations of 16 organs in 170 volumes.
•
A benchmark for fully-supervised abdominal organ segmentation.
•
Performance gap between deep learning methods and oncologists was measured.
•
A benchmark of efficient abdominal organ segmentation from high-resolution CT images.
•
The dataset also facilitates research on label-efficient multi-organ segmentation.

一、介绍

腹部器官分割是腹部疾病诊断、癌症治疗和放射治疗计划的基本和基本任务（Tang 等人，2019 年）。准确的分割结果可以为临床诊断和随访提供有价值的信息，如器官大小、位置、边界状态、多个器官的空间关系等。此外，器官分割在临床治疗中起着至关重要的作用，尤其是在基于放射治疗的癌症和肿瘤治疗中（Chen 等人，2021b）。准确分割有风险的器官可以减轻对癌症区域附近健康器官的潜在影响。然而，在临床实践中，器官分割通常由放射肿瘤学家或放射科医生手动执行。它既耗时又容易出错，需要注释员逐层描述和检查，每个案例可能需要几个小时。此外，由于成像协议/质量和解剖结构不同，快速描绘许多器官对于初级