Grand Challenge：医学新兴应用中的减弱现实
通过图像修复实现医学新兴应用中的减弱现实（DREAMING）挑战赛旨在开创将减弱现实（DR）整合到口腔颌面外科中的先河。虽然增强现实（AR）在医学中已被广泛探索，但 DR 在很大程度上仍是未知领域
基本信息
资源简介
Grand Challenge：医学新兴应用中的减弱现实
DREAMING（Diminished Reality for Emerging Applications in Medicine through Inpainting）挑战赛聚焦于将减弱现实（Diminished Reality，DR）技术引入口腔颌面外科领域。增强现实（AR）在医学中已有广泛探索，而减弱现实在很大程度上仍属未知领域。减弱现实的核心思路是通过用背景替换的方式，在视觉上把真实物体从环境中“移除”。近年来图像修复（inpainting）方法的进展，为无需场景先验知识的实时减弱现实应用提供了可能。该挑战赛正是希望将此类方法用于手术场景中被遮挡区域的填充，使其呈现逼真的背景，并特别关注复杂的面部解剖结构与患者多样性。挑战赛提供了一批合成但具有照片级真实感的手术场景数据，场景中包含人物，模拟手术室环境，参赛者需开发能够无缝完成相关任务的算法。
【数据集背景】
该数据集来自 DREAMING 挑战赛，其目标是在口腔颌面外科中开创减弱现实（DR）的整合应用。尽管增强现实在医学领域已被广泛研究，减弱现实仍处于相对空白的探索阶段。减弱现实通过将真实物体替换为其背景，从而在视觉上把该物体从环境中移除。近期图像修复方法的发展，使得无需场景知识即可实现实时减弱现实应用成为可能。DREAMING 因此聚焦于将这类方法应用于手术场景中被遮挡区域的填充，要求填充结果具有逼真的背景效果，并强调面部解剖结构的复杂性以及患者之间的多样性。
【数据内容】
该挑战赛提供的数据集由合成但具有照片级真实感的手术场景组成，场景中包含人物，模拟手术室环境。源站描述在此处中断，未提供关于数据规模、图像数量、标注形式、文件格式、分辨率等更具体的信息。
【采集与来源】
数据集来源于 dreaming.grand-challenge.org。数据为合成生成，但追求照片级真实感，场景设定为模拟手术室，并包含人物。除此之外，源站未提供关于采集设备、采集流程、合成方法、受试者来源或伦理审批等更详细的信息。
【适用场景】
该数据集适用于口腔颌面外科场景下的减弱现实研究，尤其是通过图像修复方法填充手术场景中被遮挡区域、以逼真背景替换被移除物体的任务。其应用方向包括在手术场景中实现实时的减弱现实效果，并需要考虑复杂的面部解剖结构与患者多样性。本站分类将其归入口颌系统疾病 / 其他。
【使用方法】
参赛者需开发算法，以无缝完成手术场景中被遮挡区域的填充任务。源站描述在此处中断，未提供关于提交格式、评价指标、基线方法、训练与测试划分等具体使用说明。
【质量与限制】
数据为合成但具有照片级真实感的手术场景，模拟手术室环境并包含人物。源站描述未提供关于数据偏差、覆盖范围、失败案例或性能上限等更具体的质量与限制说明。
【引用与许可】
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。
需登录公开下载
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。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
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
源站：https://dreaming.grand-challenge.org/
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
通过图像修复实现医学新兴应用中的减弱现实（DREAMING）挑战旨在开创将减弱现实（DR）集成到口腔颌面外科手术中。尽管增强现实（AR）在医学领域已被广泛探索，但DR仍是一片未充分开发的领域。DR涉及通过用背景替换真实物体来虚拟地移除它们。近期的图像修复方法为无需场景知识的实时DR应用提供了机会。DREAMING专注于实施此类方法，以逼真的背景填充手术场景中的遮挡区域，强调复杂的面部解剖结构和患者多样性。该挑战提供了一个合成但逼真的手术场景数据集，以人类为特征，模拟手术室环境。参与者的任务是开发算法，无缝移除医疗器械和手部造成的干扰，为外科医生提供无阻碍的手术部位视图。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
