Projeto Imaging-X: Um Levantamento de Mais de 1000 Conjuntos de Dados de Imagem Médica de Acesso Aberto para o Desenvolvimento de Modelos de Base
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
Resumo
Os modelos de fundação têm demonstrado sucesso notável em diversos domínios e tarefas, principalmente devido ao florescimento de conjuntos de dados em larga escala, diversificados e de alta qualidade. No entanto, na área de imagiologia médica, a curadoria e compilação de tais conjuntos de dados médicos são altamente desafiadoras devido à dependência de conhecimentos clínicos e a restrições éticas e de privacidade rigorosas, resultando numa escassez de conjuntos de dados médicos unificados em grande escala e dificultando o desenvolvimento de modelos de fundação médica robustos. Neste trabalho, apresentamos o maior levantamento até à data de conjuntos de dados de imagens médicas, abrangendo mais de 1.000 conjuntos de dados de acesso aberto com um catálogo sistemático das suas modalidades, tarefas, anatomias, anotações, limitações e potencial de integração. A nossa análise revela um panorama modesto em escala, fragmentado em tarefas de âmbito restrito e distribuído de forma desigual entre órgãos e modalidades, o que, por sua vez, limita a utilidade dos conjuntos de dados de imagens médicas existentes para o desenvolvimento de modelos de fundação médica versáteis e robustos. Para transformar a fragmentação em escala, propomos um paradigma de fusão orientado por metadados (MDFP) que integra conjuntos de dados públicos com modalidades ou tarefas partilhadas, transformando assim múltiplos silos de dados pequenos em recursos maiores e mais coerentes. Com base no MDFP, disponibilizamos um portal de descoberta interativo que permite a integração automatizada de conjuntos de dados de imagens médicas de ponta a ponta, e compilamos todos os conjuntos de dados pesquisados numa tabela unificada e estruturada que resume claramente as suas principais características e fornece ligações de referência, oferecendo à comunidade um repositório acessível e abrangente. Ao mapear o terreno atual e oferecer um caminho fundamentado para a consolidação de conjuntos de dados, o nosso levantamento fornece um roteiro prático para dimensionar os corpora de imagiologia médica, apoiando uma descoberta de dados mais rápida, uma criação de conjuntos de dados mais fundamentada e modelos de fundação médica mais capacitados.
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.