CheXmask-U：胸部X射线图像中基于关键点的解剖分割掩膜不确定性估计
本数据集为呼吸道疾病领域的医学影像公开数据集，来源：physionet。
基本信息
资源简介
CheXmask-U：胸部X射线图像中基于关键点的解剖分割掩膜不确定性估计
CheXmask-U 是一个面向胸部X射线图像的解剖分割掩膜数据集，其英文全称为 Uncertainty Estimation for Landmark-Based Anatomical Segmentation Masks in Chest X-ray Images。该数据集的核心特点在于：所提供的解剖分割掩膜由关键点导出，并为每个节点附带不确定性估计，从而同时支持关键点级和图像级两个层面的分析。这一设计使数据集不仅可用于常规的解剖结构分割研究，还可服务于不确定性感知研究与模型鲁棒性评估等方向。数据集在站内归入呼吸系统疾病 / 其他类别，来源于 physionet.org。
【数据集背景】
胸部X射线是临床影像检查中应用广泛的模态之一，对胸片中的解剖结构进行分割，是诸多下游分析任务的基础环节。基于关键点的分割方法通过定位解剖标志点来构建分割掩膜，其输出质量与关键点定位的可靠性密切相关。然而，关键点定位本身往往存在不确定性，若能在掩膜中显式表达这种不确定性，将有助于研究者判断分割结果的可靠程度。CheXmask-U 正是围绕这一需求构建的数据集，它将逐节点的不确定性估计与解剖分割掩膜一并提供，为不确定性感知的研究提供数据基础。
【数据内容】
该数据集提供胸部X射线图像的解剖分割掩膜，这些掩膜由关键点导出。与一般分割掩膜不同的是，每个节点均附带不确定性估计，因此数据同时具备关键点级和图像级的分析价值。关键点级分析可聚焦于单个解剖标志点的定位可靠性，图像级分析则可从整体上考察一幅胸片的分割结果及其不确定性分布。数据集的具体样本数量、图像分辨率、标注类别体系、不确定性数值的表示形式等细节，源站未提供。
【采集与来源】
数据集来源于 physionet.org，源站标题为 chexmask-u。关于原始胸片图像的采集机构、采集设备、采集时间范围、受试者人群构成以及伦理审批等信息，源站未提供。
【适用场景】
依据其设计目标，该数据集适用于不确定性感知的相关研究，例如考察分割掩膜中不确定性估计的分布特征，或分析关键点级不确定性与图像级表现之间的关系。同时，它也可用于模型鲁棒性评估，即在带有不确定性信息的分割结果基础上评价方法在不同条件下的稳定性。此外，关键点级与图像级的双重分析维度，使其可用于解剖标志点定位相关的方法学研究。具体任务设定与评价协议，源站未提供。
【使用方法】
该数据集以解剖分割掩膜及逐节点不确定性估计为主要内容，使用者可据此开展关键点级与图像级分析。关于数据文件的组织格式、目录结构、读取方式、配套工具或代码、以及推荐的数据划分方案，源站未提供。
【质量与限制】
数据集通过逐节点不确定性估计为分割结果的可靠性提供了额外信息，这是其相对一般分割掩膜数据的主要优势。但关于数据规模、标注质量控制流程、不确定性估计的验证方式、已知偏差或覆盖范围上的局限，源站未提供。
【引用与许可】
关于该数据集的正式引用文献、作者列表、版本信息以及使用许可条款，源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（PhysioNet）
- 源站标题：CheXmask-U: Uncertainty Estimation for Landmark-Based Anatomical Segmentation Masks in Chest X-ray Images
- 版本：1.0.0
- DOI：10.13026/6vn3-3j51
- 源站页面：https://physionet.org/content/chexmask-u/1.0.0
PhysioNet 数据需注册账号（机构邮箱）并签署数据使用协议后下载：
- 在 https://physionet.org/content/chexmask-u/1.0.0 页面登录并接受许可条款；
- 命令行整目录下载：
wget -r -N -c -np --user=<账号> --ask-password https://physionet.org/files/chexmask-u/1.0.0/
- 或用官方工具（推荐，支持断点续传与校验）：
pip install physionet-download
physionet-download chexmask-u
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据说明
我们提出了 CheXmask 数据集的扩展版本，通过逐节点不确定性估计增强了胸部 X 线片的原始解剖分割掩膜。该数据集保留了对五个公共来源——ChestX-ray8、CheXpert、MIMIC-CXR-JPG、Padchest 和 VinDr-CXR——的全面覆盖，同时为每个解剖标志点提供了不确定性估计。CheXmask-U 支持标志点级和图像级不确定性评估，可服务于医学影像中的不确定性感知分割研究、鲁棒性评估、校准分析和分布外检测。该数据集包括左肺、右肺和心脏的经预处理、基于标志点的分割掩膜及其对应的逐节点不确定性估计，还包括基于反向分类准确率（RCA）的每个掩膜的原始独立质量控制评分。所获得的不确定性估计通过人工标志点标注、合成扰动实验和分布外分析进行了评估，表明不确定性与预测可靠性之间存在有意义的关系。
许可
Creative Commons Attribution 4.0 International Public Li
引用
学术使用请引用：PhysioNet. CheXmask-U: Uncertainty Estimation for Landmark-Based Anatomical Segmentation Masks in Chest X-ray Images. DOI 10.13026/6vn3-3j51。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
