一、CAMUS 数据集简介

CAMUS Dataset 是一个公开的心脏超声医学影像数据集，主要用于超声心动图（Echocardiography）中的心脏结构分割任务。

CAMUS 全称为：

Cardiac Acquisitions for Multi-structure Ultrasound Segmentation

该数据集由法国研究团队公开发布，在医学图像分割、心脏结构识别、超声图像分析等方向中应用非常广泛。

CAMUS 的主要研究目标包括：

• 左心室（LV）分割
• 心肌（MYO）分割
• 左心房（LA）分割
• 心脏功能分析
• 超声医学图像语义分割

由于超声图像天然存在：

• 噪声大
• 边缘模糊
• 对比度低
• 伪影严重

因此 CAMUS 也是医学图像领域中非常经典且具有挑战性的分割数据集之一。

二、 CAMUS目标分割数据集

为简化图像读取与数据处理流程，本文对原始 .mhd 与 .zraw 格式的医学影像数据进行了预处理，将所有超声图像切片统一转换为常见的 .jpg 格式。同时，依据官方标注信息生成了适用于深度学习任务的标签文件，并将分割标注整理为 JSON、Mask 以及 YOLO 三种格式。该处理方式提升了数据的通用性与工程可用性，使数据集能够直接用于如 U-Net、DeepLabV3+、SegFormer 以及 YOLOSeg 等主流语义分割模型的训练与评估任务。

CAMUS 数据集主要包含以下几个核心类别，同时本文针对不同标签格式分别定义了对应的类别编号，方便模型训练与标签解析。

• Mask 标签类别定义

在 Mask 标签中，采用单通道灰度值表示不同类别，其中：

像素值(ID)	类别名称	英文缩写	说明
0	背景	Background	Background
1	左心室	LV	Left Ventricle
2	心肌	MYO	Myocardium
3	左心房	LA	Left Atrium

• YOLO 标签类别定义

由于 YOLO 系列模型通常从 0 开始编号，因此在 YOLO 标签格式中，类别 ID 定义如下：

类别ID	类别名称	英文缩写
0	左心室	LV
1	心肌	MYO
2	左心房	LA

其中：

• LV（左心室）是最核心的分割目标，常用于心室结构分析与射血分数（EF）估计；
• MYO（心肌）主要用于心肌厚度及心功能分析；
• LA（左心房）则常用于心脏功能评估与相关疾病辅助诊断。

统一后的类别定义能够方便后续进行：

• Mask 灰度值解析；
• YOLOSeg 标签生成；
• JSON 标注转换；
• 多模型训练与推理部署。

为了更直观地展示处理后的数据效果，下面展示部分转换后的 CAMUS 心脏超声图像切片，以及对应的 Mask 分割标注可视化结果与 LabelMe 标注可视化结果。通过可视化可以清晰观察到左心室（LV）、心肌（MYO）与左心房（LA）等关键心脏结构的分割区域，同时也验证了数据格式转换与标注生成的正确性。

三、格式转换代码

3.1 mask转json

为了提升数据集的通用性与标注可视化能力，本文首先将语义分割 Mask 标签转换为 LabelMe 所使用的 JSON 标注格式。该过程的核心思想是：**从 Mask 图像中提取不同类别的分割区域轮廓，并将轮廓点转换为多边形坐标信息保存到 JSON 文件中。**在转换过程中，程序首先读取单通道 Mask 图像，并根据像素值区分不同类别。随后，利用 OpenCV 的 findContours() 方法提取每个类别对应的轮廓区域，并将轮廓点保存为 LabelMe 所需的 polygon 多边形格式。此外，为避免噪声区域影响标注质量，代码中还通过轮廓面积过滤掉较小的无效区域，从而提升生成标注的准确性与可读性。

import cv2
import json
import numpy as np
import os



# 类别映射
class_dict = {
    "LV_cavity": 1,  # 左心室心腔
    "MYO": 2,   # 左心室心肌
    "LA": 3,   # 左心房
}

# 反向映射
id_to_class = {v: k for k, v in class_dict.items()}


def mask_to_json(mask_path, save_json_path, image_path=None):
    """
    mask 转 Labelme json

    Args:
        mask_path: mask png 路径
        save_json_path: 保存 json 路径
        image_path: 原图路径（可选）
    """

    # 读取 mask
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)

    if mask is None:
        print(f"读取失败: {mask_path}")
        return

    height, width = mask.shape

    shapes = []

    # 遍历所有类别
    for class_id, class_name in id_to_class.items():

        # 提取当前类别区域
        binary_mask = (mask == class_id).astype(np.uint8)

        if binary_mask.sum() == 0:
            continue

        # 查找轮廓
        contours, hierarchy = cv2.findContours(
            binary_mask,
            cv2.RETR_EXTERNAL,
            cv2.CHAIN_APPROX_SIMPLE
        )

        # 遍历轮廓
        for contour in contours:

            # 过滤太小区域
            area = cv2.contourArea(contour)
            if area < 10:
                continue

            # contour -> points
            points = contour.squeeze()

            # 防止只有一个点
            if len(points.shape) != 2:
                continue

            points_list = points.astype(float).tolist()

            shape = {
                "label": class_name,
                "points": points_list,
                "group_id": None,
                "description": "",
                "shape_type": "polygon",
                "flags": {}
            }

            shapes.append(shape)

    # 构建 Labelme json
    json_data = {
        "version": "5.0.1",
        "flags": {},
        "shapes": shapes,
        "imagePath": os.path.basename(image_path) if image_path else "",
        "imageData": None,
        "imageHeight": height,
        "imageWidth": width
    }

    # 保存 json
    with open(save_json_path, 'w', encoding='utf-8') as f:
        json.dump(json_data, f, indent=4, ensure_ascii=False)

    print(f"保存成功: {save_json_path}")


if __name__ == "__main__":

    mask_root = r"labels_mask"
    save_json_root = r"labels_json"
    image_root = r"images"

    os.makedirs(save_json_root, exist_ok=True)

    for file in os.listdir(mask_root):

        name, ext = os.path.splitext(file)

        mask_path = os.path.join(mask_root, file)

        image_path = os.path.join(image_root, f"{name}.jpg")

        save_json_path = os.path.join(save_json_root, f"{name}.json")

        mask_to_json(
            mask_path=mask_path,
            save_json_path=save_json_path,
            image_path=image_path
        )

3.2 json转yolo

为了支持 YOLO 系列实例分割模型（如 YOLO-seg）的训练，本文提供了将 LabelMe 生成的 JSON 标注文件转换为 YOLO 实例分割格式 的转换代码。该过程的核心在于：提取 JSON 文件中的多边形坐标点，并将其按照图像尺寸进行归一化处理，以满足 YOLO 格式对坐标规范的要求。代码如下所示：

import json
import os

class_dict = {
    "LV_cavity": 0,  # 左心室心腔
    "MYO": 1,   # 左心室心肌
    "LA": 2,   # 左心房
}


def translate_info(label_json, label_txt):
    # 检查json文件是否存在
    assert os.path.exists(label_json), "file:{} not exist...".format(label_json)
    # read json
    with open(label_json, "r") as f1:
        data = json.load(f1)
        img_height = data['imageHeight']
        img_width = data['imageWidth']
        object_num = len(data['shapes'])

        with open(label_txt, "w+") as f:
            for index in range(object_num):
                seg_label = []
                # 获取每个object的类别信息和关键点信息
                class_name = data['shapes'][index]['label']
                class_index = class_dict[class_name]  # 目标id从0开始
                seg_label.append(class_index)
                seg_points = data['shapes'][index]['points']
                for point in seg_points:
                    point_x = round(point[0] / img_width, 6)
                    point_y = round(point[1] / img_height, 6)
                    seg_label.append(point_x)
                    seg_label.append(point_y)

                info = [str(i) for i in seg_label]

                f.write(" ".join(info) + "\n")



def main():
    label_json_path = r"labels_json"
    label_txt_path = r"E:labels_yolo"
    label_list = os.listdir(label_json_path)
    label_list = [label for label in label_list if label.endswith('.json')]
    for label_name in label_list:
        label_name = label_name.split(".json")[0]
        label_xml = os.path.join(label_json_path, label_name + ".json")
        label_txt = os.path.join(label_txt_path, label_name + ".txt")
        translate_info(label_xml, label_txt)


if __name__ == "__main__":
    main()

基于上述处理流程，CAMUS心脏超声分割数据集已完成图像和标签的标准化转换，将统一提供如下内容：

• 经过预处理并转换为 .png 格式的 CT 图像；
• 对应的 三种类型的标注文件，包括：
  • YOLO 格式（用于yolo系列的实例分割）；
  • Mask 图像格式（用于 UNet 系列分割模型）；
  • LabelMe 原始 JSON 格式（便于可视化与进一步编辑）。

关于CAMUS心脏超声分割数据集均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

CAMUS心脏超声图像分割数据集

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！