MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer Vision

在深度学习时代之前，形状常被用来描述物体。如今，在医学成像领域，最先进的算法主要与计算机视觉有所不同，其中使用了体素网格、网格、点云和隐式表面模型。这可以从许多关于形状的论文以及 ShapeNet（约 51,300 个模型）和 Princeton ModelNet（127,915 个模型）日益普及的趋势中看出。针对医学领域，我们提供了大量解剖形状（例如骨骼、器官、血管）和手术器械的 3D 模型，称为 MedShapeNet，旨在促进数据驱动视觉算法向医学应用的转化，并将最先进的视觉算法适应于医学问题。作为一个独特的特点，我们直接对大多数形状进行了真实患者的成像数据建模。截至今日，MedShapeNet 包括 23 个数据集，其中包含超过 100,000 个与注释（基准）配对的形状。我们的数据可以通过 Web 接口和 Python 应用程序编程接口（API）免费访问，并可用于区分、重建和变分基准以及虚拟、增强或混合现实和 3D 打印等各种应用。我们在分类脑肿瘤、面部和颅骨重建、多类解剖完成、教育和 3D 打印等领域提供了使用案例。未来，我们将扩展数据并改进界面。项目页面为：https://medshapenet.ikim.nrw/ 和 https://github.com/Jianningli/medshapenet-feedback。

MedShapeNet旨在解决医学图像处理中的形状建模问题，提供大量医学解剖结构和手术器械的三维模型数据集，以促进数据驱动的视觉算法在医学应用中的应用。

MedShapeNet直接对真实患者的影像数据进行建模，提供了多种形状建模方法，如体素网格、网格、点云和隐式表面模型，并提供了Python API和Web接口以便于使用。

MedShapeNet提供了超过23个数据集，包含100,000多个医学解剖结构和手术器械的三维模型数据集，并提供了注释（地面真相）。该数据集可用于分类、重建、变分基准测试以及虚拟、增强或混合现实和3D打印等各种应用。此外，MedShapeNet还提供了一些应用案例，如脑肿瘤分类、面部和颅骨重建、多类解剖结构完成和教育等。

与MedShapeNet相关的研究包括ShapeNet和Princeton ModelNet等形状建模数据集，以及其他医学图像处理领域的研究，如医学图像分割、医学图像配准和医学图像重建等。