Abdominal CT Deformable Image Registration (DIR) Validation Dataset

该数据集是首个用于腹部CT图像可变形配准（DIR）验证的基准数据集，由杜克大学和华盛顿大学医学院的研究团队创建。数据集包含30名患者的腹部CT图像对，每对图像包含63个平均的血管分叉点标记对，总计1895个标记对。数据来源于多个公开数据库及研究机构内部，经过深度学习模型分割和手动标记处理，确保标记对的高精度（0.7mm +/- 1.2 mm）。该数据集旨在支持DIR算法的开发与验证，解决腹部CT图像配准中的复杂变形问题，提升临床应用的精度与可靠性。This is the first benchmark dataset for validating Deformable Image Registration (DIR) of abdominal CT images, developed by a research team from Duke University and the University of Washington School of Medicine. The dataset consists of 30 pairs of abdominal CT images from 30 patients, with each image pair containing 63 pairs of averaged vascular bifurcation landmarks, totaling 1895 landmark pairs. The dataset is sourced from multiple public databases and internal institutional research datasets, and has undergone deep learning model-based segmentation and manual landmark annotation to ensure high precision of the landmark pairs, with an error range of 0.7mm ± 1.2mm. This dataset is designed to support the development and validation of DIR algorithms, tackle the complex deformation challenges in abdominal CT image registration, and enhance the accuracy and reliability of clinical applications.

搜集汇总

数据集介绍

构建方式

该数据集的构建基于30名患者的腹部CT图像对，这些图像来自多个公开数据库及作者所在机构的临床数据。每对图像来自同一患者的不同时间点，通过深度学习模型对腹部器官进行分割，并手动识别匹配的图像块。随后，在每对图像块中标记血管分叉点作为地标，并通过形变配准将地标投影到第二幅图像中。最终，通过手动或自动化流程对地标位置进行精修，生成了1895对地标，平均每例63对。地标对的精度通过数字体模验证，误差为0.7mm ± 1.2mm。

使用方法

该数据集可通过Zenodo平台获取，数据以NIfTI和MATLAB格式存储。研究人员可以使用提供的MATLAB工具MatchGui可视化地标对，并通过任何形变配准算法对图像进行配准。地标对可用于计算目标配准误差（TRE），验证配准算法的精度。此外，数据集还支持通过噪声添加和图像变换模拟低质量图像，以测试算法在复杂情况下的鲁棒性。

背景与挑战

背景概述

Abdominal CT Deformable Image Registration (DIR) Validation Dataset 是由杜克大学放射肿瘤学系的研究团队于2024年推出的首个用于腹部CT图像形变配准验证的基准数据集。该数据集由30名患者的腹部CT图像对组成，每对图像来自同一患者的不同时间点，旨在解决腹部CT图像配准中的复杂形变问题。腹部CT图像配准因其器官形变显著、图像内容不一致等特点，成为最具挑战性的配准场景之一。该数据集的推出为DIR算法的开发与验证提供了高质量的基准，推动了腹部CT图像配准在临床诊断与治疗中的应用。

当前挑战

该数据集面临的挑战主要包括两个方面：首先，腹部CT图像配准的复杂性使得DIR算法的准确性难以验证。由于腹部器官的形变较大且图像内容不一致，传统的配准方法难以精确对齐解剖结构。其次，数据集的构建过程中，研究人员需要克服手动标注血管分叉点的高耗时性和观察者间差异问题。尽管采用了半自动化的标注流程，但血管分叉点的精确定位仍依赖于手动校正，这在一定程度上限制了数据集的扩展性和自动化程度。此外，腹部CT图像中缺乏稳定的高对比度特征，进一步增加了标注的难度。

常用场景

经典使用场景

Abdominal CT Deformable Image Registration (DIR) Validation Dataset 主要用于验证和评估腹部CT图像的可变形配准算法。该数据集通过提供大量精确的血管分叉标志点对，为研究人员提供了一个可靠的基准，用于测试和优化DIR算法在复杂腹部器官变形场景下的性能。经典的使用场景包括在放疗计划中，通过配准不同时间点的CT图像，精确跟踪肿瘤和周围器官的位置变化，从而提高治疗的精准性。

解决学术问题

该数据集解决了腹部CT图像配准算法验证中缺乏高质量基准数据的问题。由于腹部器官的复杂变形和图像内容的不一致性，DIR算法在临床应用中面临巨大挑战。通过提供1895个高精度的血管分叉标志点对，该数据集为研究人员提供了一个可靠的验证工具，能够精确计算目标配准误差（TRE），从而推动DIR算法的进一步发展和优化。

实际应用

在实际应用中，该数据集广泛用于放疗计划的制定和优化。通过配准不同时间点的腹部CT图像，医生可以更准确地跟踪肿瘤和周围器官的位置变化，从而制定更精确的放疗方案。此外，该数据集还可用于图像引导手术和肿瘤治疗效果的评估，帮助医生在复杂的腹部解剖结构中实现更精准的操作和治疗。

数据集最近研究

最新研究方向

近年来，腹部CT可变形图像配准（DIR）验证数据集的研究方向主要集中在提高配准算法的精度和鲁棒性，尤其是在复杂解剖结构和大范围器官变形的情况下。该数据集通过提供大量高精度的血管分叉标志点对，为DIR算法的验证提供了前所未有的基准。当前的研究热点包括自动化标志点检测、深度学习在图像分割中的应用，以及多模态图像配准的融合技术。这些技术的进步不仅推动了DIR算法在临床中的应用，还为个性化医疗和精准放疗提供了有力支持。此外，该数据集的公开可用性为全球研究人员提供了一个统一的验证平台，促进了DIR算法的标准化和跨机构合作。

相关研究论文

• A Vessel Bifurcation Landmark Pair Dataset for Abdominal CT Deformable Image Registration (DIR) Validation

  杜克大学, 华盛顿大学医学院 · 2025年