Proyecto Imaging-X: Un Estudio de Más de 1000 Conjuntos de Datos de Imágenes Médicas de Acceso Abierto para el Desarrollo de Modelos Fundacionales

Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Foundation Model Development

March 29, 2026

Autores: Zhongying Deng, Cheng Tang, Ziyan Huang, Jiashi Lin, Ying Chen, Junzhi Ning, Chenglong Ma, Jiyao Liu, Wei Li, Yinghao Zhu, Shujian Gao, Yanyan Huang, Sibo Ju, Yanzhou Su, Pengcheng Chen, Wenhao Tang, Tianbin Li, Haoyu Wang, Yuanfeng Ji, Hui Sun, Shaobo Min, Liang Peng, Feilong Tang, Haochen Xue, Rulin Zhou, Chaoyang Zhang, Wenjie Li, Shaohao Rui, Weijie Ma, Xingyue Zhao, Yibin Wang, Kun Yuan, Zhaohui Lu, Shujun Wang, Jinjie Wei, Lihao Liu, Dingkang Yang, Lin Wang, Yulong Li, Haolin Yang, Yiqing Shen, Lequan Yu, Xiaowei Hu, Yun Gu, Yicheng Wu, Benyou Wang, Minghui Zhang, Angelica I. Aviles-Rivero, Qi Gao, Hongming Shan, Xiaoyu Ren, Fang Yan, Hongyu Zhou, Haodong Duan, Maosong Cao, Shanshan Wang, Bin Fu, Xiaomeng Li, Zhi Hou, Chunfeng Song, Lei Bai, Yuan Cheng, Yuandong Pu, Xiang Li, Wenhai Wang, Hao Chen, Jiaxin Zhuang, Songyang Zhang, Huiguang He, Mengzhang Li, Bohan Zhuang, Zhian Bai, Rongshan Yu, Liansheng Wang, Yukun Zhou, Xiaosong Wang, Xin Guo, Guanbin Li, Xiangru Lin, Dakai Jin, Mianxin Liu, Wenlong Zhang, Qi Qin, Conghui He, Yuqiang Li, Ye Luo, Nanqing Dong, Jie Xu, Wenqi Shao, Bo Zhang, Qiujuan Yan, Yihao Liu, Jun Ma, Zhi Lu, Yuewen Cao, Zongwei Zhou, Jianming Liang, Shixiang Tang, Qi Duan, Dongzhan Zhou, Chen Jiang, Yuyin Zhou, Yanwu Xu, Jiancheng Yang, Shaoting Zhang, Xiaohong Liu, Siqi Luo, Yi Xin, Chaoyu Liu, Haochen Wen, Xin Chen, Alejandro Lozano, Min Woo Sun, Yuhui Zhang, Yue Yao, Xiaoxiao Sun, Serena Yeung-Levy, Xia Li, Jing Ke, Chunhui Zhang, Zongyuan Ge, Ming Hu, Jin Ye, Zhifeng Li, Yirong Chen, Yu Qiao, Junjun He

cs.AI

Resumen

Los modelos fundacionales han demostrado un éxito notable en diversos dominios y tareas, debido principalmente al auge de conjuntos de datos extensos, diversos y de alta calidad. Sin embargo, en el campo de la imagen médica, la curación y compilación de dichos conjuntos de datos médicos es altamente desafiante debido a la dependencia de la experiencia clínica y a las estrictas restricciones éticas y de privacidad, lo que resulta en una escasez de conjuntos de datos médicos unificados a gran escala y obstaculiza el desarrollo de modelos fundacionales médicos potentes. En este trabajo, presentamos el estudio más extenso hasta la fecha de conjuntos de datos de imágenes médicas, abarcando más de 1.000 conjuntos de datos de acceso abierto con un catálogo sistemático de sus modalidades, tareas, anatomías, anotaciones, limitaciones y potencial de integración. Nuestro análisis revela un panorama modesto en escala, fragmentado en tareas de alcance reducido y distribuido de manera desigual entre órganos y modalidades, lo que a su vez limita la utilidad de los conjuntos de datos de imágenes médicas existentes para desarrollar modelos fundacionales médicos versátiles y robustos. Para convertir la fragmentación en escala, proponemos un paradigma de fusión basado en metadatos (MDFP, por sus siglas en inglés) que integra conjuntos de datos públicos con modalidades o tareas compartidas, transformando así múltiples silos de datos pequeños en recursos más grandes y coherentes. Basándonos en MDFP, publicamos un portal de descubrimiento interactivo que permite la integración automatizada de conjuntos de datos de imágenes médicas de extremo a extremo, y recopilamos todos los conjuntos de datos estudiados en una tabla unificada y estructurada que resume claramente sus características clave y proporciona enlaces de referencia, ofreciendo a la comunidad un repositorio accesible y exhaustivo. Al trazar el terreno actual y ofrecer un camino fundamentado para la consolidación de conjuntos de datos, nuestro estudio proporciona una hoja de ruta práctica para escalar los corpus de imágenes médicas, apoyando una descubierta de datos más rápida, una creación de conjuntos de datos más fundamentada y modelos fundacionales médicos más capaces.

English

Foundation models have demonstrated remarkable success across diverse domains and tasks, primarily due to the thrive of large-scale, diverse, and high-quality datasets. However, in the field of medical imaging, the curation and assembling of such medical datasets are highly challenging due to the reliance on clinical expertise and strict ethical and privacy constraints, resulting in a scarcity of large-scale unified medical datasets and hindering the development of powerful medical foundation models. In this work, we present the largest survey to date of medical image datasets, covering over 1,000 open-access datasets with a systematic catalog of their modalities, tasks, anatomies, annotations, limitations, and potential for integration. Our analysis exposes a landscape that is modest in scale, fragmented across narrowly scoped tasks, and unevenly distributed across organs and modalities, which in turn limits the utility of existing medical image datasets for developing versatile and robust medical foundation models. To turn fragmentation into scale, we propose a metadata-driven fusion paradigm (MDFP) that integrates public datasets with shared modalities or tasks, thereby transforming multiple small data silos into larger, more coherent resources. Building on MDFP, we release an interactive discovery portal that enables end-to-end, automated medical image dataset integration, and compile all surveyed datasets into a unified, structured table that clearly summarizes their key characteristics and provides reference links, offering the community an accessible and comprehensive repository. By charting the current terrain and offering a principled path to dataset consolidation, our survey provides a practical roadmap for scaling medical imaging corpora, supporting faster data discovery, more principled dataset creation, and more capable medical foundation models.