2D3D-RegQuality

该数据集包含了真实和模拟的医学图像以及相应的注册质量标签。每个样本由一个CSV文件标识，其中包括样本ID、投影索引、样本索引和注册质量的二进制标签。数据集的目的是用于评估和训练医学图像的注册质量。

原始信息汇总

数据集概述

• 数据集名称：2D3D-RegQuality
• 许可证：MIT

数据集下载

Bash

确保已安装git-lfs（https://git-lfs.com）

git lfs install

当提示输入密码时，使用具有写入权限的访问令牌

从设置中生成：https://huggingface.co/settings/tokensll

git clone https://huggingface.co/datasets/suemincho/2D3D-RegQuality

数据集结构

• 主目录：dataset_real（dataset_simulated结构相同）
• CSV文件：Image_Poses_mTRE_binary.csv，提供样本标识和标签
• 标本文件夹：specimen_folders/，包含以spec_id命名的子文件夹（例如"17-1882"、"18-0725"等）
  • 投影文件夹：以3位数字proj_idx命名（例如"001"、"002"等）
    • xray.png：X射线图像
    • DRR/文件夹：包含该投影的DRR图像
      • drr_remap_YYY.png：DRR图像，文件名中的YYY为3位数字sample_id（例如"000"、"001"等）

数据样本定义

CSV每行定义一个样本，包含以下字段：

• spec_id：匹配标本文件夹名称
• proj_idx：确定投影文件夹名称
• sample_id：确定DRR文件名
• binary：二进制配准质量标签

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，二维与三维配准质量评估对临床诊疗至关重要。2D3D-RegQuality数据集通过系统采集真实X射线图像和数字重建放射影像构建而成，其核心数据来源于多个标本的投影序列。每个样本由标本编号、投影索引和样本标识符唯一确定，并辅以基于平均目标配准误差的二元质量标签，确保了数据标注的精确性与可追溯性。

特点

该数据集以层次化目录结构组织，清晰区分真实影像与模拟数据。每组数据包含原始X射线图像及对应的多组DRR重建图像，形成丰富的二维-三维对照样本。独特的二元分类标签体系将配准质量简化为可量化的评估指标，既保留了临床实用性，又为机器学习模型提供了明确的监督信号。这种结构设计显著提升了跨模态数据检索与批量处理的效率。

使用方法

研究人员可通过Git LFS工具完整获取数据集，利用CSV文件中的元数据实现样本精准定位。典型应用流程包括：解析标本文件夹中的投影序列，同步加载X射线与DRR图像对，继而根据二元标签开展配准质量分类或回归分析。该架构支持端到端的深度学习训练，同时允许灵活扩展至半监督学习或跨模态表示学习等前沿研究方向。

背景与挑战

背景概述

医学影像配准领域长期面临二维与三维数据融合精度的核心难题，2D3D-RegQuality数据集由科研团队于2023年构建，旨在通过量化配准质量推动手术导航系统发展。该数据集整合真实X射线与数字重建放射影像，构建了包含多标本投影的标准化评估体系，其二进制质量标注机制为深度学习模型提供了可靠的监督信号，显著提升了关节置换等临床场景的配准可靠性。

当前挑战

多模态影像配准需克服解剖结构变异性和投影几何失真双重困难，数据集构建过程中面临真实X射线采集噪声控制与DRR生成参数优化的技术瓶颈。标注环节依赖专家对微小位移的视觉判别，其主观差异易导致标签歧义，而跨中心数据采集时设备参数不一致性进一步加剧了域适应挑战。

常用场景

经典使用场景

在医学影像分析领域，2D3D-RegQuality数据集被广泛用于评估二维X射线图像与三维数字重建放射影像之间的配准质量。该数据集通过提供精确的配准标签，支持研究人员开发自动化配准算法，尤其在骨科手术导航和放射治疗规划中，成为验证配准精度的关键工具。

解决学术问题

该数据集有效解决了医学影像配准中量化评估难度大的学术挑战。通过引入二进制质量标签，它帮助研究者系统分析配准误差的成因，推动了基于深度学习的配准模型发展，并为多模态影像融合提供了可靠基准，显著提升了配准算法的鲁棒性与可解释性。

衍生相关工作

基于此数据集衍生的经典研究包括多尺度配准网络架构的开发，以及对抗性生成技术在DRR合成中的创新应用。这些工作不仅扩展了配准算法的泛化能力，还促进了医学影像与人工智能的跨学科融合，为后续三维重建与手术模拟研究奠定了理论基础。