前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >医学图像开源数据集汇总

医学图像开源数据集汇总

作者头像
3D视觉工坊
发布于 2022-06-28 10:46:53
发布于 2022-06-28 10:46:53
1.5K0
举报

编辑丨极市平台

3D-IRCADB 脏器分割数据集

数据集链接:http://m6z.cn/6x5OSn

3D-IRCADb-01 数据库由 10 名女性和 10 名男性 75% 的肝肿瘤患者的 3D CT 扫描组成。20个文件夹对应20个不同的患者,可以单独下载也可以联合下载。下表提供了图像信息,例如肝脏大小(宽度、深度、高度)或根据 Couninaud 分割的肿瘤位置。它还表明肝脏分割软件可能遇到的主要困难是由于与邻近器官的接触、肝脏的非典型形状或密度,甚至图像中的伪影。

FASCICLE 小腿肌肉超声数据集

数据集链接:http://m6z.cn/631rex

FAscicle 小腿肌肉超声数据集是一个由 812 幅小腿肌肉超声图像组成的数据集,用于分析肌肉弱点并预防受伤。该数据集在文章 AW-Net:B 型超声图像上的自动肌肉结构分析以预防伤害中进行了介绍。它结合了由 Ryan Cunningham 等人发表的两篇文章“使用卷积、残差和反卷积神经网络从 B 模式超声图像中估计全区域骨骼肌纤维方向”提供的数据集。和 Neil Cronin 发表的“使用深度学习对肌肉骨骼超声图像进行自动分析”,并附有补充注释。

该 zip 文件包含两个数据集,分别分为两个由其作者命名的文件夹。每个数据集的每个图像都有一个匹配的分束分割掩码和一个可按名称识别的腱膜分割掩码。

肿瘤数据集

数据集链接:http://m6z.cn/5zCyGj

这一数据集是通过仔细注释几名患有不同器官肿瘤并在多家医院被诊断出的患者的组织图像获得的。该数据集是通过从TCGA存档下载以 40 倍放大倍率捕获的 H&E 染色组织图像创建的。H&E 染色是增强组织切片对比度的常规方案,通常用于肿瘤评估(分级、分期等)。考虑到多个器官和患者的细胞核外观的多样性,以及多家医院采用的丰富染色方案,训练数据集将能够开发出开箱即用的稳健且可推广的细胞核分割技术。

结直肠腺癌组织学图像数据集

数据集链接:http://m6z.cn/6axBLk

该数据集包含 100 张 H&E 染色的结直肠腺癌组织学图像。出于检测目的,在中心/周围共标记了 29,756 个原子核。其中,有 22,444 个细胞核也具有相关的类别标签,即上皮细胞、炎症细胞、成纤维细胞和其他细胞核。

淋巴结切片的组织病理学数据集

数据集链接:http://m6z.cn/6axBNq

本数据集由从淋巴结切片的组织病理学扫描中提取的 327.680 张彩色图像 (96 x 96px) 组成。每个图像都带有一个二进制标签,表示存在转移组织。PCam 为机器学习模型提供了新的基准:大于 CIFAR10,小于 imagenet,可在单个 GPU 上训练。

m2caiSeg腹腔镜图像数据集

数据集链接:http://m6z.cn/5yW8q0

m2caiSeg是根据真实世界外科手术的内窥镜视频源创建的。数据由 307 张图像组成,每张图像都针对场景中存在的器官和不同的手术器械进行了注释。

本文仅做学术分享,如有侵权,请联系删文。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-06-06,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 3D视觉工坊 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Nat. Commun. | 无需人工标注,自动识别结肠癌预后的组织学特征
今天为大家介绍的是来自纽约大学Aristotelis Tsirigos团队的一篇论文。自监督学习(SSL)可以自动从未标注的苏木精-伊红染色的全扫描切片(WSIs)中提取和解释病理组织学特征。我们在来自癌症基因组图谱的435个结肠腺癌WSI上训练了一个SSL Barlow Twins编码器,用于从小型图像块中提取特征。利用Leiden社区检测方法将这些特征分组为组织形态学表型簇(histomorphological phenotype clusters,HPCs)。一项独立的临床试验(N = 1213 WSIs)确认了HPC的可重复性和对总体生存率的预测能力。这种无偏的图谱有47个HPCs,展示出独特且共享的临床显著组织形态学特征,突出了组织类型、数量和结构,特别是在肿瘤基质的背景下。通过对这些HPCs的深入分析,包括免疫景观和基因集富集分析,以及与临床结果的关联,作者阐明了影响生存和对标准辅助化疗和实验治疗反应的因素。对HPCs的进一步探索可能会揭示额外的见解,并有助于结肠癌患者的决策和个性化治疗。
DrugAI
2025/04/26
890
Nat. Commun. | 无需人工标注,自动识别结肠癌预后的组织学特征
KiTS2023&KiPA2022——肾脏肿瘤自动分期评估
今天将分享肾脏肿瘤自动分期评估完整实现版本,为了方便大家学习理解整个流程,将整个流程步骤进行了整理,并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
医学处理分析专家
2024/01/02
4680
KiTS2023&KiPA2022——肾脏肿瘤自动分期评估
腾讯AI Lab姚建华:数字病理+AI将成为未来趋势 丨CCF-GAIR 2019
围绕染色归一化、结直肠癌病理诊断、结直肠息肉分类、淋巴结转移检测、免疫组化(IHC)等方面的临床痛点,姚建华分享了团队针对性的解决方法。
AI掘金志
2019/08/29
2.7K0
腾讯AI Lab姚建华:数字病理+AI将成为未来趋势 丨CCF-GAIR 2019
热点综述 | 健康和疾病中的空间转录组学
空间转录组技术的快速发展加快了包括肾脏病学在内的多个领域的发现步伐。2024年5月,《Nature Reviews Nephrology》发表综述文章,概述了当前和新兴的空间转录组学方法、其应用以及该领域仍面临的挑战。
尐尐呅
2024/05/20
2120
热点综述 | 健康和疾病中的空间转录组学
资源 | 从医疗语音到灾难响应,这八大优质数据集快抱走
大数据文摘作品 编译:Apricock、笪洁琼 、蒋宝尚 找不到靠谱数据集?跟着文摘菌探索一个数据科学领域的数据宝藏——Figure Eight平台。 找靠谱数据集的痛苦数据科学领域的宝宝们都懂。文摘菌今天强力推荐一个很棒的数据平台Figure Eight。 先上网站链接:www.figure-eight.com 相比其他数据平台,这个平台的一大特点是,用于标注数据集的模板都可以复制,而且能够在Figure Eight平台扩展其应用。每个数据集里包含了原始数据、工作设计、教程、说明等等。 以下是几个被文摘
大数据文摘
2018/05/23
7330
花十几万做四个样品的空间单细胞转录组就为了证明这么简单的事情?
确实是朴实无华了,甚至都不需要都空间单细胞的降维聚类分群和亚群命名,仅仅是需要在空间切片上面可视化上皮细胞的打分即可!
生信技能树
2024/11/21
750
花十几万做四个样品的空间单细胞转录组就为了证明这么简单的事情?
14分+的利用深度学习从切除淋巴结组织病理学图像预测胃癌预后!
N分期是预后评估和基于分期的癌症治疗策略决策的决定性因素。目视检查完整淋巴结的整个切片是目前病理学家计算转移淋巴结(MLNs)数量的主要方法,即使在同一个N期,患者的预后也有很大差异。
作图丫
2022/04/28
6330
14分+的利用深度学习从切除淋巴结组织病理学图像预测胃癌预后!
Nat. Commun. | 基于回归的深度学习从病理切片预测分子生物标志物
今天为大家介绍的是来自Jakob Nikolas Kather团队的一篇论文。深度学习(DL)能够从癌症组织病理学中预测生物标志物。目前,已有几种获得临床批准的应用采用了这项技术。然而,大多数方法预测的是分类标签,而生物标志物往往是连续的测量值。作者假设基于回归的深度学习在性能上超过了基于分类的深度学习。因此开发并评估了一种自监督的、基于注意力的、弱监督回归方法。
DrugAI
2024/03/18
4280
Nat. Commun. | 基于回归的深度学习从病理切片预测分子生物标志物
PatchCamelyon2018——病理图像乳腺癌转移分类比赛
间接免疫荧光(IIF)是一种通过荧光标记的二级抗体间接检测患者血清中特定抗原的自体抗体的技术,广泛应用于如系统性红斑狼疮等自身免疫疾病的诊断。HEp-2细胞,因其表达多种细胞核抗原,成为IIF实验的理想基质,尽管存在来源争议,现认为是人类乳突病毒相关宫颈腺癌细胞。
医学处理分析专家
2024/04/02
1900
PatchCamelyon2018——病理图像乳腺癌转移分类比赛
谷歌用深度机器算法检测癌症,准确率高过医学博士!
在检查患者的生物组织样品后, 病理学家的报告通常是许多疾病的黄金诊断标准。特别是对于癌症,病理学家的诊断对患者的治疗具有深远的影响。病理切片审查是一个非常复杂的任务,需要多年的培训才能做好,丰富的专业知识和经验也是必不可少的。 尽管都经过培训,但不同病理学家对同一患者给出的诊断结果,可能存在实质性的差异,而这可能导致误诊。例如,在某些类型的乳腺癌诊断中,诊断结论一致性竟低至48%,前列腺癌诊断的一致性也同样很低。诊断缺乏一致性低并不少见,因为如果想做出准确的诊断,必须检查大量的信息。病理学家通常只负责审查一
BestSDK
2018/02/28
6820
谷歌用深度机器算法检测癌症,准确率高过医学博士!
9+!通过深度学习从结直肠癌的组织学中预测淋巴结状态
近几年深度学习一直是研究热点,今天小编为大家带来的这篇文章,研究了通过深度学习模型从常规组织学切片和临床数据中提取的图像特征是否可用于预测 CRC 淋巴结转移 (LNM)。文章发表在《European Journal of Cancer》上,影响因子为9.162,文章题目为Deep learning can predict lymph node status directly from histology in colorectal cancer。
作图丫
2022/06/24
3110
9+!通过深度学习从结直肠癌的组织学中预测淋巴结状态
【数据集】一文道尽医学图像数据集与竞赛
在AI与深度学习逐渐发展成熟的趋势下,人工智能和大数据等技术开始进入了医疗领域,它们把现有的一些传统流程进行优化,大幅度提高各种流程的效率、精度、用户体验,同时也缓解了医疗资源的压力和精确度不够的问题。
用户1508658
2019/07/26
4.5K0
【数据集】一文道尽医学图像数据集与竞赛
组织病理学的生存模型综述
组织病理学图像的机器学习算法正变得越来越复杂。从检测和分类细胞和组织,到预测生物标志物和患者预后。任务的复杂程度依赖于病理学家对组织中特定特征的注释。但生物标记物和结果更为复杂。算法必须在没有任何组织的区域或其外观特征是重要的先验知识的情况下解码大型的整个图像图像。
deephub
2021/04/16
8230
热点综述 | 空间多组学技术在肿瘤免疫微环境研究中的应用
目前空间多组学技术已用于研究几种类型癌症中肿瘤免疫微环境的转录组、蛋白质组和代谢组,从这些方法获得的数据已与免疫组化和多参数分析相结合,以产生癌症进展的标记物。2022年《Journal of Biomedical Science 》发表了一篇综述文章,回顾了前沿空间组学技术、它们在肿瘤免疫微环境研究中的应用,以及存在的技术挑战。
尐尐呅
2023/03/02
9940
热点综述 | 空间多组学技术在肿瘤免疫微环境研究中的应用
空间基因表达解决方案
细胞和它们在组织之间的关系对于理解正常发育和疾病病理学是至关重要的。Visium 空间基因表达解决方案允许研究空间分辨的全转录组 mRNA 表达,同时在同一组织切片中捕获组织学信息。使用该解决方案,可以将基因表达谱映射回原来的位置,为组织和基因表达复杂性提供了新的观点,因为它适用于癌症、免疫肿瘤学、神经科学、发育生物学等领域的研究。
生信技能树jimmy
2021/01/12
4550
空间基因表达解决方案
ANHIR2019——自动非刚性组织学图像配准之传统非刚性配准方法
在数字病理学中,最简单但最有用的功能之一是直观地比较连续的组织切片(切片),这需要将图像对齐。需要图像对齐的其他相关应用包括3D重建、图像融合等。图像对齐使病理学家能够评估患者在单个区域中的多个标记物的组织学和表达。此外,由于组织处理和预分析步骤,切片可能会遭受非线性变形。也就是说,它们会在各个部分之间拉伸并改变形状。目前,只有少数自动对齐工具能够以足够的精度和合理的处理时间处理大图像。
医学处理分析专家
2024/04/02
2740
ANHIR2019——自动非刚性组织学图像配准之传统非刚性配准方法
NPJ Digit Med|一种基于AI的数据标注系统,用于生物数据注释
2021 年 10 月 7 日,npj digital medicine杂志发表文章,介绍了一种数据标注系统,该系统基于AI,可以减少注释者的工作量,同时提高注释的质量。
智药邦
2021/11/26
8040
谷歌医疗AI又有新进展:转移性乳腺癌检测准确率达99%
在最新公布的进展中,Google深度学习算法在转移性乳腺癌的检测精度测试中,准确率达到了99.3%。
量子位
2018/10/26
6470
病理学+泛癌组合可发nature新刊!
癌症的诊断通常基于组织切片的组织病理学评估,并辅以遗传和其他分子检测。现代计算机视觉算法具有很高的诊断准确性和增强组织病理学工作流程的潜力。
作图丫
2022/12/04
4700
病理学+泛癌组合可发nature新刊!
人工智能 | Nature | 针对精准肿瘤学的视觉-语言基础模型
◉ 我们开发了一个基于多模态变压器架构的视觉-语言基础模型作为网络主干。◉ 模型预训练包括两个连续阶段。◉ 首先,MUSK 在来自 11,577 名患者的近 33,000 张全切片组织病理学扫描图像和一亿个与病理相关的文本标记上进行了预训练。◉ 这些图像是代表 33 种肿瘤类型的图像。◉ MUSK 模型改编自 BEiT3(参考文献 21)架构,包含共享的自注意力块和用于视觉和语言输入的两个独立专家;使用掩码建模实现了预训练。◉ 其次,MUSK 使用对比学习对来自模型 QUILT-1M 的一百万张图像-文本对进行了多模态对齐预训练。◉ 通用临床应用。◉ 一旦预训练完成,MUSK 可以用于各种下游任务,并且只需要少量或不需要进一步的训练。◉ 重要的是,我们使用全切片图像和临床报告评估了 MUSK 的预测能力,包括复发、预后和免疫治疗反应预测。◉ MUSK 在视觉-语言基础模型方面显著优于最先进的模型,包括 PLIP15、QUILT-1M46、BiomedCLIP47 和 CONCH16。◉ b 图中的插图、黑色素瘤、预后、肺癌和胃食管癌是使用 BioRender 制作的(https://biorender.com)。
生信菜鸟团
2025/02/27
1960
人工智能 | Nature | 针对精准肿瘤学的视觉-语言基础模型
推荐阅读
相关推荐
Nat. Commun. | 无需人工标注,自动识别结肠癌预后的组织学特征
更多 >
领券
💥开发者 MCP广场重磅上线!
精选全网热门MCP server,让你的AI更好用 🚀
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档