Ensemble De Données D'images D'échographie Cardiaque CAMUS

CAMUS (Cardiac Acquisitions for Multi-structure Ultrasound Segmentation) est un ensemble de données d'images d'échographie cardiaque publiques de 2019 créé spécifiquement pour prendre en charge la segmentation de la structure cardiaque et les tâches d'analyse d'images médicales associées.Apprentissage profond pour la segmentation à l'aide d'un ensemble de données ouvert à grande échelle en échocardiographie 2D», a été publié dans la revue IEEE TMI.

L'ensemble de données contient des séquences de vues apicales 2D à quatre et deux chambres de 500 patients, collectées au CHU de Saint-Étienne en France, et entièrement anonymisées pour garantir la confidentialité des patients et la conformité des données. Chaque image a été annotée avec précision par du personnel médical professionnel, couvrant les informations de contour de l'endocarde ventriculaire gauche, de l'épicarde ventriculaire gauche et de l'oreillette gauche. Ces annotations détaillées fournissent aux chercheurs de riches ressources de formation et de vérification.

La conception de l’ensemble de données prend pleinement en compte la diversité et la complexité de la pratique clinique. Il contient non seulement des échantillons avec une qualité d'image bonne et moyenne, mais comprend également spécialement 84 échantillons avec une qualité d'image médiocre pour refléter diverses situations qui peuvent être rencontrées dans le travail clinique quotidien. Ce cadre d'acquisition de données diversifié permet à l'ensemble de données CAMUS de mieux simuler des scénarios d'analyse d'images médicales du monde réel, offrant aux chercheurs une plate-forme de recherche très stimulante et pratique.

En termes d'organisation de l'ensemble de données, CAMUS est divisé en un ensemble d'entraînement et un ensemble de test, où l'ensemble d'entraînement contient des données de 450 patients et l'ensemble de test contient des données de 50 patients. Cette division vise à fournir aux chercheurs des données suffisantes pour la formation et l’optimisation des modèles, tout en conservant une partie de données indépendantes pour la vérification et l’évaluation des performances du modèle. De cette façon, les chercheurs peuvent mesurer plus précisément les performances de leur algorithme sur des données invisibles, faisant ainsi progresser l’état de l’art en matière de segmentation d’images échographiques cardiaques.