BC-MRI-SEG数据集：首个统一的乳腺癌MRI肿瘤分割基准，推动深度学习模型的泛化能力

2024-04-22，由美国中佛罗里达大学计算机视觉研究中心创建了BC-MRI-SEG，这是基于公开可用的MRI数据集的二元乳腺癌肿瘤分割的基准。这个数据集的创建，不仅为医学影像社区提供了易于访问的四个公共乳腺癌MRI数据集，还通过比较最先进的深度学习方法，为临床设置中的稳健和适应性强的模型提供了评估标准。

 

一、研究背景：

在医学影像领域，尤其是在乳腺癌的诊断和治疗中，肿瘤分割是一个关键任务。尽管已有一些基准数据集如BraTS用于脑肿瘤分割，但乳腺癌的RIDER基准由于患者数量有限，限制了模型的泛化能力的测试和发展。

 

目前遇到困难和挑战:

1、医疗影像数据的标注成本高，数据集规模有限，难以支撑深度学习模型的训练和测试。

2、现有的数据集往往来源于特定的医疗设备和扫描协议，导致模型在不同设备和协议下的泛化能力受限。

3、缺乏一个统一的基准来评估和比较不同深度学习模型在乳腺癌MRI肿瘤分割任务上的性能。

 

二、让我们一起来看一下BC-MRI-SEG数据集：

BC-MRI-SEG（Breast Cancer MRI Segmentation Benchmark）是一个包含四个公共数据集的乳腺癌MRI肿瘤分割基准，旨在评估模型在不同数据集上的泛化能力。四个数据集，分别是ISPY1、BreastDM、RIDER和DUKE，涵盖了1320名患者。其中，ISPY1和BreastDM用于监督训练和评估，而RIDER和DUKE用于零样本评估。

 

数据集构建 ：

数据集来源于不同的医学研究，每个研究在获取方式、MRI扫描仪的使用、配置以及收集后数据处理上都有所不同。数据集中的图像在内容和通道数量上也有所不同。

 

数据集特点 ：

BC-MRI-SEG的特点在于其多样性和规模，提供了不同来源和不同扫描协议的数据，这为深度学习模型的泛化能力提供了挑战。此外，数据集还提供了详细的标注信息，包括二元分割和边界框标注。

 

基准测试 ：

BC-MRI-SEG基准测试包括监督学习和零样本评估两个阶段。监督学习阶段使用ISPY1和BreastDM数据集进行训练和评估，而零样本评估阶段则在RIDER和DUKE数据集上进行。

 

三、让我们一起展望数据集的应用场景：

比如说，有位患者，她去做了个乳腺MRI检查。按照以前的做法，放射科的医生得花上好几个小时，一张张看那些密密麻麻的影像图片，试图找出肿瘤的蛛丝马迹。有时候，即使他眼睛都看花了，也未必能确定肿瘤的边界在哪儿。

但现在，有了BC-MRI-SEG帮忙，整个过程快多了。

医生把患者的MRI影像输入到系统里，这个深度学习系统就能自动分析，没多久就给出了肿瘤的可能位置和形状。这个系统经过大量数据的训练，能够识别出各种大小和形状的肿瘤，而且速度还快，几分钟就能给出结果。

医生再用他的专业知识去审核系统的结果，看一遍，确认一下，没问题就可以出诊断报告了。这样不仅节省了时间，也让诊断的准确性提高了不少。患者也能更快地知道自己的病情，早点开始治疗，早点康复。这可是个双赢的局面！