VerSe

VerSe数据集包含374个多探测器CT扫描，来自355名患者，用于脊椎标记和分割的基准测试。

The VerSe Dataset consists of 374 multi-detector CT scans from 355 patients, and serves as a benchmark for vertebral labeling and segmentation.

搜集汇总

数据集介绍

构建方式

VerSe数据集源于2019与2020年国际医学图像计算与计算机辅助介入大会（MICCAI）同期举办的大规模椎骨分割挑战赛。该数据集共包含来自355名患者的374例多层螺旋CT扫描影像，覆盖了从颈椎至腰椎的完整脊柱区域。所有4505个椎骨均通过人机混合算法完成体素级别的精细标注：首先由自动化算法生成初始的椎骨质心坐标与分割掩膜，随后由五名受过训练的医学生进行首次修正，再由三名拥有累计30年脊柱影像经验的放射科医师进行二次精炼、拒绝或接受，最终由一名具备19年脊柱影像诊断经验的资深放射科医师审核确认。这种多层次、迭代式的人工智能协同标注策略，确保了标注的高准确度与临床可信度。

特点

VerSe数据集在规模、多样性与临床相关性上具有显著优势，是目前公开可用的最大脊柱CT标注数据集。其影像采集自多个医疗中心，使用了GE、西门子、飞利浦和东芝等主流厂商的CT扫描设备，涵盖了颈椎、胸腰椎及颈胸腰椎等多种扫描视野，并包含矢状位和各向同性重建影像。数据集中精心纳入了临床实践中常见的变异情况，如椎体骨折、金属植入物、骨水泥填充以及过渡椎（如T13和L6）等罕见解剖变异，真实还原了临床影像的复杂性与多样性。与以往仅包含数十例扫描的公开数据集相比，VerSe在数据量上实现了约20倍的增长，为深度学习模型提供了丰富的训练与评测资源。

使用方法

VerSe数据集支持两项核心任务：椎骨标注（即预测每个椎骨的3D质心坐标及其解剖类别）与椎骨分割（即输出每个椎骨的体素级精细掩膜）。数据集被划分为训练集、公开测试集和隐藏测试集三部分，其中隐藏测试集要求参与者以Docker容器形式提交算法代码，从而杜绝在测试集上进行再训练或过拟合的可能。评估标注任务采用识别率与平均定位距离，评估分割任务采用Dice相似系数与Hausdorff距离。数据及评估代码均已开放获取，研究者可访问https://osf.io/nqjyw/与https://osf.io/t98fz/下载数据，并通过https://github.com/anjany/verse获取处理与评测脚本，从而复现基准测试结果或开发新的脊柱处理算法。

背景与挑战

背景概述

脊柱作为人体运动与负荷传递的核心结构，其影像学分析在骨折分级、脊柱侧弯评估及手术规划中具有关键临床价值。然而，由于解剖结构的复杂性和采集协议的高度异质性，自动化脊柱处理算法的研发长期受限于公开标注数据的匮乏。为应对这一困境，VerSe（Large Scale Vertebrae Segmentation Challenge）数据集应运而生，由慕尼黑工业大学、慕尼黑大学附属医院及苏黎世大学等多家机构于2019年至2020年间联合创建。该数据集包含374例多探测器CT扫描（来自355名患者），并首次提供了4505个椎体的体素级标注，较此前最大公开数据集提升了近20倍规模。作为MICCAI 2019与2020挑战赛的核心基准，VerSe推动了椎体标记与分割领域的范式革新，其影响力已辐射至骨科、神经放射学及生物力学建模等多个交叉学科。

当前挑战

VerSe数据集所解决的领域问题主要涵盖两大核心挑战：其一，椎体标记与分割任务需应对高度变化的扫描视野、椎体形态的类间相似性（如中胸椎）、以及金属植入物、骨折、移行椎等病理变异，这些因素导致传统算法在泛化性上表现欠佳。其二，构建过程中面临的数据稀缺与标注一致性难题尤为突出——人工逐体素标注4505个椎体耗时巨大，且椎体后部结构的复杂形态常导致标注歧义。为此，研究团队采用人机混合策略，先由自动算法生成初始标注，再经五名医学生及三位资深放射科医师（累计30年经验）进行多轮迭代修正，最终由一位专攻脊柱影像19年的专家终审，在保证效率的同时兼顾了标注的解剖学准确性。

常用场景

经典使用场景

在医学影像分析领域，椎骨的精确标记与分割是脊柱自动化处理流程中的基石性任务。VerSe数据集作为迄今为止规模最大的多探测器CT脊柱影像公开基准，汇集了来自355名患者的374例扫描数据，涵盖了从颈椎至腰椎的广泛视野、多种扫描协议及丰富的解剖变异。该数据集最经典的使用场景是作为脊柱图像分析算法的标准化评测平台，研究者可基于其提供的体素级标注与三维质心坐标，开发并验证全自动椎骨定位、识别与分割方法，从而推动该领域从传统模型驱动向数据驱动范式的转型。

解决学术问题

VerSe数据集的构建系统性地解决了脊柱图像分析中长期存在的两大核心学术瓶颈：一是公开标注数据的极度匮乏，此前最大规模的数据集仅包含25例腰椎扫描，且多源自单一中心，存在显著的样本偏差；二是算法在面对罕见解剖变异（如移行椎T13和L6）时泛化能力不足的难题。通过提供涵盖4505个椎体的精细标注，VerSe使得研究者能够深入评估算法在不同椎体区域、视野范围及病理条件下的性能表现，揭示了椎骨标记的准确性高度依赖于算法对解剖异常的正确识别能力，从而为设计更具鲁棒性的脊柱处理模型奠定了理论基础。

衍生相关工作

VerSe数据集的发布催生了一系列具有里程碑意义的衍生工作，深刻影响了医学影像分析的研究方向。在方法学上，基于该基准诞生的SpatialConfiguration-Net与迭代式全卷积网络等架构，创新性地融合了局部外观特征与全局空间配置，成为后续脊柱处理算法的标杆范式。在评测体系层面，VerSe推动建立了基于统计显著性检验的排名协议，为医学影像挑战赛的公平比较提供了方法论参考。此外，该数据集还促进了半自动化标注工具Anduin的开源，使得大规模、高质量的体素级标注成为可能，进一步加速了领域内知识积累与算法迭代的良性循环。