AMOS是一个全面的腹部器官分割数据集，从 **多中心**、 *多模态**、 **多阶段**和 **多疾病**患者收集的500个CT扫描和100个MRI扫描，且每个扫描都有15个腹部多器官的体素级标注。基于AMOS，深圳市大数据研究院牵头组织了MICCAI2022多模态腹部分割国际挑战赛，共有550支队伍来自全球知名高校和医疗行业企业参赛，极大推动基于CT/MRI图像的腹部多器官自动分割研究，进一步加速一系列下游任务在医疗场景下的落地。

数据集元信息

AMOS标注工作流程：

• 首先是粗标注的第一阶段：由预训练的分割模型（如3D-Unet、VNet等）自动预测得到粗略的伪标注信息；

• 其次是人工标注细化的第二阶段：第一步得到的粗略标注由5名训练有素的初级放射科医生逐例检查和重新审查分割结果；为了进一步减少错误/偏差，三位具有超过10年临床经验的资深放射科医生负责最终验证。

• 整个过程将在第二阶段迭代多次，包括标注审查、错误修正和反馈分发以提高标注质量，这种交互式的检查能有效地减少个别标注者可能造成的偏差。

数据集统计信息

AMOS总共收集了来自600名独特患者的500个CT和100个MRI扫描，涵盖了15个器官类别，包括括脾、右肾、左肾、胆囊、食道、肝脏、胃、主动脉、下动脉腔静脉、胰腺、右肾上腺、左肾上腺、十二指肠、膀胱、前列腺/子宫。数据集来着八中机器扫描。

另外还从受影响的器官和疾病类型，以及标注进行统计。

AMOS的标注具有长尾分布。例如，肝脏标注的规模大约是肾上腺腺体的200倍。这种自然/面向现实的长尾分布特性使AMOS对于精确的多器官分割更具挑战性。

数据示例

文件结构

      
        ```shell
        amos22
        ├── dataset.json
        ├── ImagesTr
        │   ├── amos_0001.nii.gz
        │   ├── amos_0004.nii.gz
        │   └── ...
        ├── ImagesTs
        │   ├── amos_0002.nii.gz
        │   ├── amos_0003.nii.gz
        │   └── ...
        ├── ImagesVa
        │   ├── amos_0008.nii.gz
        │   ├── amos_0013.nii.gz
        │   └── ...
        ├── labelsTr
        │   ├── amos_0001.nii.gz
        │   ├── amos_0004.nii.gz
        │   └── ...
        ├── labelsTs
        ├── labelsVa
        │   ├── amos_0008.nii.gz
        │   ├── amos_0013.nii.gz
        │   └── ...
        └── readme.md
        ```
      
    

成果

发表文章，NeurPS 2022
Ji Y, Bai H, Ge C, et al. Amos: A large-scale abdominal multi-organ benchmark for versatile medical image segmentation[J]. Advances in Neural Information Processing Systems, 2022, 35: 36722-36732.

竞赛最终排名

相关链接

• 竞赛地址： https://amos22.grand-challenge.org/

• 下载链接： https://zenodo.org/record/7155725#.Y0OOCOxBztM

• 文章地址： https://arxiv.org/pdf/2206.08023.pdf

• 公开日期：2022.10