BREA-Depth

BREA-Depth数据集由爱丁堡大学的Baillie Gifford Pandemic Science Hub和School of Informatics团队创建，包含3437张经过语义分割标注的支气管镜图像。数据集旨在解决支气管镜深度估计中的挑战，特别是提高复杂分支气道中的导航准确性和安全性。数据集的创建过程包括收集体外人肺模型的支气管镜视频数据，并通过深度感知CycleGAN框架进行训练，以提高模型的泛化能力和准确性。数据集适用于支气管镜导航和干预的3D气道重建等领域的研究。The BREA-Depth dataset was developed by the team from the Baillie Gifford Pandemic Science Hub and the School of Informatics at the University of Edinburgh. It contains 3,437 bronchoscopic images annotated with semantic segmentation labels. The dataset is intended to address the challenges in bronchoscopic depth estimation, particularly improving the navigation accuracy and safety in complex branched airways. The development process of the dataset involves collecting bronchoscopic video data from ex vivo human lung models, followed by training with a depth-aware CycleGAN framework to enhance the generalization capability and accuracy of models built upon this dataset. This dataset is applicable to research in fields such as 3D airway reconstruction for bronchoscopic navigation and interventions.

搜集汇总

数据集介绍

构建方式

BREA-Depth数据集构建采用基于解剖学几何先验的合成数据生成策略，通过Blender平台建立符合生理学特征的支气管树三维模型，模拟真实气道分支结构、分叉形态及隆突圆滑度等关键几何属性。该模型依据气道直径比例定律与高斯分布生成可变长度，结合动态倾斜圆环算法增强解剖合理性，最终生成9500对高精度合成图像-深度图配对数据，并与55000帧真实支气管镜图像形成无配对训练集。

特点

该数据集的核心特征在于深度融合气道几何先验与深度估计任务，通过深度感知CycleGAN架构实现合成域与真实域的双向风格迁移，既保留合成数据的几何准确性，又赋予真实数据的纹理特征。其独创的气道结构感知损失函数（Airway Structure Awareness Loss）通过灰度阈值分割强制气道腔体内深度一致性，显著提升解剖结构保持能力。数据集额外提供3437帧离体人体肺部支气管镜视频的语义分割标注，支持气道深度结构评估新指标。

使用方法

数据集使用时需通过双分支U-Net Transformer架构处理输入帧：合成至真实分支将几何准确的合成数据转换为具有真实纹理的深度图，真实至合成分支则对真实支气管镜图像去噪并生成合成风格帧。训练过程中采用多目标损失函数联合优化，包括对抗损失、循环一致性损失及气道结构感知损失。推理阶段模型能以60FPS实时生成深度图，适用于支气管导航、三维气道重建等临床场景，需配合提出的深度结构评估指标（LocalAccu与DepthCon）验证解剖合理性。

背景与挑战

背景概述

支气管镜深度估计在介入性肺病学领域具有重要临床价值，2025年由爱丁堡大学再生与修复研究所团队提出的BREA-Depth数据集致力于解决支气管镜导航中的三维感知难题。该数据集基于解剖学精准的气道几何模型，整合了离体人肺支气管镜视频数据与合成渲染图像，旨在通过结合气道结构先验知识提升深度估计的解剖一致性。其创新性体现在首次将气道分支拓扑结构与深度估计基础模型相融合，为支气管镜介入手术的实时导航与三维重建提供了关键数据支撑。

当前挑战

支气管镜深度估计面临双重挑战：在领域问题层面，气道环境的解剖结构复杂性导致传统模型难以捕捉全局几何特征，尤其在分支交界处和弱纹理区域易产生深度歧义；在构建过程中，合成数据与真实支气管镜图像存在显著域差异，且真实场景中光照不均、黏膜反光等干扰因素增加了高质量深度标注的获取难度。此外，现有评估指标侧重于像素级精度而忽视解剖合理性，需开发专门的结构一致性评价体系。

常用场景

经典使用场景

在支气管镜导航领域，BREA-Depth数据集被广泛应用于单目深度估计任务，尤其适用于复杂支气管分支结构的三维重建。该数据集通过结合合成气道几何模型与真实支气管镜图像，为模型训练提供了兼具解剖精度和视觉真实性的数据支持，有效解决了传统方法在气道分支区域深度预测不一致的问题。

解决学术问题

该数据集突破了传统支气管镜深度估计依赖简化合成数据的局限，通过引入气道几何先验和结构感知损失函数，显著提升了模型在低纹理、弱光照条件下的解剖一致性。其提出的气道深度结构评估指标弥补了现有像素级精度度量对全局结构一致性评估的不足，为支气管镜导航中的精准定位和三维重建提供了可靠理论基础。

衍生相关工作

该数据集推动了支气管镜深度估计领域的多项创新工作，包括基于CycleGAN的域适应方法3cGAN、深度基础模型DepthAnything的支气管镜适配版本EndoDAC和EndoOmni。这些研究通过引入对抗训练、伪深度监督等机制，进一步拓展了气道结构感知在计算机辅助介入手术中的应用边界。