Fetal Limb Bones (FLB) dataset

FLB数据集是由武汉大学与广州市妇女儿童医疗中心联合构建的高质量胎儿肢体长骨超声图像基准，涵盖肱骨、股骨、胫腓骨和桡尺骨四类骨骼，共计1690张图像。数据源自多中心2017-2023年间的临床超声扫描，采用GE Voluson、Philips EPIQ等多种设备，覆盖14-40周孕龄，并由三位资深临床医生按照ISUOG指南进行像素级分割掩码、端点坐标及质量评分的精细标注。通过多数投票与专家仲裁确保标注一致性，最终按患者分层划分训练、验证与测试集。该数据集旨在解决现有模型因缺乏高质量标注数据而难以实现胎儿长骨统一分割与精准测量的难题，为致死性骨骼发育不良的早期智能诊断提供关键支撑。The FLB dataset is a high-quality benchmark of fetal long bone ultrasound images jointly constructed by Wuhan University and Guangzhou Women and Children's Medical Center, covering four bone categories including humerus, femur, tibia and fibula, radius and ulna, with a total of 1690 images. The data originates from multi-center clinical ultrasound scans conducted between 2017 and 2023, using various equipment such as GE Voluson and Philips EPIQ, covering gestational ages from 14 to 40 weeks. It was meticulously annotated with pixel-level segmentation masks, endpoint coordinates and quality scores by three senior clinicians in accordance with the ISUOG guidelines. Annotation consistency was ensured via majority voting and expert arbitration, and the dataset was finally split into training, validation and test sets with patient-level stratification. This dataset aims to address the challenge that existing models struggle to achieve unified segmentation and accurate measurement of fetal long bones due to the lack of high-quality annotated data, and provides critical support for the early intelligent diagnosis of lethal skeletal dysplasias.

搜集汇总

数据集介绍

构建方式

FLB数据集通过与多家临床中心合作，收集了2017年至2023年间获取的超声图像，涵盖肱骨、股骨、胫腓骨和尺桡骨四个解剖类别，共计1690张图像。图像由三位经验丰富的超声医师遵循ISUOG指南进行标注，提供像素级分割掩膜、端点坐标及质量评分，并通过多数投票和专家裁决确保标注一致性。数据集采用患者级划分（7:1:2），有效防止数据泄露。

特点

FLB数据集具有多中心、多设备来源和高标注一致性等显著特点，涵盖14至40周的广泛孕周范围，图像质量多样，包含多种声学伪影和骨化阴影，极具临床挑战性。数据集的标注精度高（平均Dice系数0.92，端点距离1.1毫米），支持像素级分割和精确骨长测量，为胎儿肢体骨骼的自动化分析提供了可靠的基准资源。

使用方法

该数据集可用于训练和评估胎儿长骨分割与测量模型，支持多种深度学习架构的对比研究。推荐使用方法包括：采用UniFLM框架等先进模型进行端到端分割与测量；利用数据集提供的分割掩膜和端点坐标进行多任务学习；通过患者级划分确保训练、验证和测试集的独立性，以评估模型的泛化能力。

背景与挑战

背景概述

胎儿肢体骨骼产前超声检查是评估胎儿发育及诊断先天性骨骼异常的关键手段，然而现有人工智能模型多聚焦于头部与腹部参数的自动测量，对胎儿长骨的精准分割与测量研究相对匮乏，且受限于低分辨率、噪声干扰及多骨共存等超声图像固有难题，缺乏高质量标注数据与统一分析框架。为填补这一空白，武汉大学与广州市妇女儿童医疗中心的研究团队于2024年联合构建了胎儿肢体骨骼（FLB）数据集，该数据集涵盖肱骨、股骨、胫腓骨及桡尺骨四类长骨超声图像，共1690幅，由资深医师依据ISUOG指南进行像素级掩膜与端点坐标标注，并引入质量评分及专家仲裁机制，确保临床可靠性。FLB数据集的发布为胎儿长骨智能评估提供了标准化基准，显著推动了产前骨骼畸形早期诊断模型的发展。

当前挑战

FLB数据集所应对的领域挑战包括：超声图像固有低分辨率、对比度不均及斑点噪声干扰，加之单帧多骨并存，致使长骨统一分割框架难以构建；同时，现有数据集如FPUS23仅提供检测框注释，无法支撑精确测量，而DeepGA等模型仅针对股骨长度，忽略了其他长骨。构建过程中，研究团队面临高质量像素级标注的稀缺性，需在声影遮蔽、骨化程度差异及解剖结构重叠等复杂情形下，确保标注的一致性与准确性，最终通过三位资深专家的反复校准与多数投票协议，以平均Dice 0.92及端点距离1.1mm的卓越一致性，克服了数据标注的显著难题。

常用场景

经典使用场景

在胎儿超声影像分析的学术疆域中，FLB数据集作为首个涵盖肱骨、股骨、胫腓骨及尺桡骨四类长骨的高质量像素级标注基准，为多骨统一分割与生物测量研究提供了标准化的实验平台。该数据集包含1,690幅跨越14至40孕周的超声图像，由资深产科医师依据ISUOG指南精确标注骨骼边界及端点坐标，并附有图像质量评分，使得研究者得以在真实临床噪声背景下训练与验证跨类别、跨平面的深度学习模型。其经典的场景在于评估模型对低对比度、声影遮挡及多骨共存的鲁棒性，从而促进胎儿肢体发育评估算法的公正比较与持续演进。

实际应用

在实际临床场景中，FLB数据集支撑的自动化技术可无缝嵌入产前超声检查流程，用于实时监测胎儿长骨生长并预警骨骼发育异常，其分割与测量结果能辅助临床医生对致死性骨骼发育不良进行早孕期筛查，从而为及时的遗传咨询和妊娠管理决策赢得宝贵时间。UniFLM框架在标准GPU上以105 FPS的高吞吐量运行，确立了临床实时部署的可行性，其测量误差保持在人类专家观察者间变异范围内，意味着该技术可被纳入医院常规超声工作流，作为客观化、标准化的辅助决策工具，大幅缓解资深医师短缺带来的诊断压力。

衍生相关工作

FLB数据集的发布催生了一系列高影响力的衍生研究，集中于攻克超声图像语义对齐与噪声鲁棒性的共性难题。其提出的语义感知跳跃连接（SASC）启发了后续工作设计更精细的注意力机制以弥合编码器-解码器特征语义鸿沟；正采样（PoSamp）策略则成为处理低信噪比医学影像的范式，被推广至低剂量CT及光学相干断层成像中的去噪任务；此外，点回归映射（PRM）模块为生物测量提供了一种不依赖精确分割的全新范式，直接催生了对解剖关键点精确定位和测量不确定度量化方法的探索，有效丰富了医学影像分析的方法论体系。