CTSpinoPelvic1K

CTSpinoPelvic1K是一个用于脊柱和骨盆3D CT分割的数据集，由OpenSpineConsortium发布。该数据集专门针对腰椎骶化/腰化变异（LSTV）患者的椎体正确编号问题而设计，因为传统工具在存在LSTV时难以准确区分L5和L6。数据集包含802个CT体积及其对应的体素级标签图，所有标签均由放射科医生审核，覆盖胸腰椎、骶骨、髋骨、股骨、肋骨以及手术器械。标签方案采用VerSe原生ID，共82个类别，包括颈椎（C1-C7）、胸椎（T1-T12）、腰椎（L1-L6）、骶骨（S1）、尾骨、肋骨、髋骨、股骨、髂腰韧带、神经、肌肉、大血管及手术器械等。其中，33个LSTV病例具有专家Castellvi分级，11个病例包含放射科医生确认的手术器械。数据集来源于三个公共数据集：TCIA CT结肠ography（提供CT影像）、CTSpine1K（提供脊柱标签）和CTPelvic1K（提供骨盆标签），所有标签通过患者级别交叉对齐，无需重采样。数据以NIfTI格式（.nii.gz）存储，CT和标签共享相同仿射矩阵，方向为PIR。数据集提供5折交叉验证和独立测试集划分，并基于LSTV进行分层。总大小约195GB。该数据集适用于脊柱和骨盆的语义分割、LSTV检测与分级、椎体计数、手术器械识别等医学影像分析任务。CTSpinoPelvic1K is a dataset for 3D CT segmentation of the spine and pelvis, released by the OpenSpineConsortium. It is specifically designed to address the correct numbering of vertebrae in patients with lumbosacral transitional vertebrae (LSTV), where traditional tools struggle to distinguish between L5 and L6. The dataset contains 802 CT volumes with corresponding voxel-level label maps, all reviewed by radiologists, covering the thoracic and lumbar spine, sacrum, hip bones, femur, ribs, and surgical instruments. The labeling scheme uses VerSe native IDs with 82 categories, including cervical vertebrae (C1-C7), thoracic vertebrae (T1-T12), lumbar vertebrae (L1-L6), sacrum (S1), coccyx, ribs, hip bones, femur, iliolumbar ligament, nerves, muscles, major vessels, and surgical instruments. Among them, 33 LSTV cases have expert Castellvi grading, and 11 cases contain surgical instruments confirmed by radiologists. The dataset is derived from three public datasets: TCIA CT Colonography (providing CT images), CTSpine1K (providing spine labels), and CTPelvic1K (providing pelvis labels). All labels are cross-aligned at the patient level without resampling. Data is stored in NIfTI format (.nii.gz) with the same affine matrix and PIR orientation. The dataset provides 5-fold cross-validation and independent test set splits, stratified by LSTV. The total size is approximately 195 GB. It is suitable for medical image analysis tasks such as semantic segmentation of the spine and pelvis, LSTV detection and grading, vertebral body counting, and surgical instrument recognition.

原始信息汇总

CTSpinoPelvic1K 数据集概述

基本信息

• 数据集名称：CTSpinoPelvic1K
• 许可协议：CC BY-NC 4.0（非商业使用）
• 任务类型：图像分割（语义分割）
• 数据类型：医学影像（计算机断层扫描，CT）
• 数据规模：802 个 CT/标签对，总大小约 195 GB
• 标签类别：82 个声明类别 + 255（忽略标记），采用 VerSe 原生 ID
• 图像方向：PIR 方向，CT 和标签共享同一仿射矩阵，无需重采样
• 版本：v6（main）

数据集核心目标

该数据集专为解决腰骶移行椎（LSTV） 患者腰椎编号问题而构建。在此类病例中，最后腰椎与骶骨部分或完全融合（骶化），或第一骶椎部分或完全游离（腰化），导致 L5 与 L6 的判别困难。数据集通过上下两个计数锚点（头侧 T12 和尾侧 S1）使腰椎编号成为确定性任务。

数据来源

数据集由三个公开数据源在患者级别交叉构建，无需配准或重采样标注：

来源	贡献内容
TCIA CT COLONOGRAPHY	CT 容积（每位患者俯卧+仰卧）
CTSpine1K（COLONOG 子集）	VerSe 约定椎骨掩膜，放射科医师金标准
CTPelvic1K（dataset2）	骶骨 + 双侧髋部掩膜

股骨来自 TotalSegmentator；肋骨基于金标准胸椎列编号。多数患者脊柱和骨盆标签落在同一序列（融合型）；其余分属不同序列（分离型，导出为两条记录）。

标签体系要点

• 脊柱部分沿用 VerSe 原始 ID：C1-C7=1-7，T1-T12=8-19，L1-L6=20-25，骶骨=26，尾骨=27，T13=28
• 关键锚点：T12（ID 19，头侧计数锚点，出现在 801/802 例中）、S1（ID 29，尾侧计数锚点，通过平面切割骶骨金标准获得，801 例）
• 部分类别为保留 ID 但当前为空：神经（60-65）、腰大肌（66-67）、主动脉/血管（68-73）、髂腰韧带（58-59）、部分硬件类别（76、78、79）以及 255 忽略标记——33 个声明 ID 在零病例中出现
• 视野限制：胸椎和肋骨受采集范围限制——T12 在 801/802 中出现，但肋骨 1、2 从未出现，C1-C7 仅偶有极少量体素出现
• 腰化肋骨（74-75）：与腰椎关节相连的肋骨，分别在 13 和 16 例中出现，为移行解剖的肋骨侧特征
• 硬件标注优先级高于骨骼：植入物与骨骼重叠处归为植入物类别

特殊处理与质量控制

S1 切分

• 通过沿骶骨头尾轴的法平面进行切割，使其正交于患者的左右轴，以消除扫描滚动影响
• 切分后镜像对称 Dice 从 0.807 提升至 0.906，边界平面度中位数为 0.004
• S1 体积在每条记录中完全保持不变（0 体素变化）
• 已知限制：100 条记录中 S1 体积占比异常（超过骶骨一半或不足 15%），已标记为 implausible_fraction，计算骶骨倾斜角或骨盆入射角时应过滤此列

LSTV 分类与 Castellvi 分级

• 移行状态从两端独立判读：椎体计数（CTSpine1K）和骨盆标注（CTPelvic1K），并设有一致性标记
• 33 例具有专家 Castellvi 分级，其中 5 例经过独立二次阅读（3/5 类型完全一致）
• lstv_class：0=正常，1=腰化，2=半骶化，3=骶化；本版本无任何记录为 lstv_class == 2
• 已知不一致：两例存在放射科医师半骶化表型但自动类别标记为正常，建议研究半骶化时基于 castellvi_type 或 lstv_phenotype 筛选

手术内固定

• 11/802 条记录带有手术器械标注，共回收 1,538,852 个体素
• 类别包括：关节成形术（80，8例）、骨缝合术（82，1例）、骶髂螺钉（81，1例）、融合器（77，1例）
• 9 例中髂骨标志为植入物，计算脊柱骨盆参数时需注意

数据划分与使用

• 提供患者级别 5 折交叉验证 + 独立测试集，按 LSTV 分层
• 共 802 条记录，其中 31 例标记为移行病例，33 例有专家 Castelvi 分级，11 例带手术器械
• 提供 PyTorch 适配器（CTSpinoPelvicDataset）和 MONAI 兼容接口
• 支持按子集下载（如仅移行病例），避免全量 195 GB 下载

仓库结构

包含 CT 容积（ct/）、标签图（labels/）、清单文件（manifest.json，每条记录 51 个字段）、5 折划分、标签 ID 映射、标签占用统计、Castellvi 表型 CSV、硬件质量控制、S1 切分质量控制以及数据加载接口代码等。

搜集汇总

数据集介绍

构建方式

CTSpinoPelvic1K数据集旨在应对腰椎过渡椎（LSTV）患者中腰椎编号不准的挑战，通过融合三个公开数据集构建而成。其CT图像源自TCIA CT结肠成像数据集，而脊柱与骨盆的标注分别来自CTSpine1K和CTPelvic1K，所有标注均由放射科专家逐例验证，确保脊柱标签为真实标注而非伪影。骨盆部分在融合时保留真实标注，而对脊柱-only记录则采用防泄漏的伪标注，并借助TotalSegmentator分割股骨，肋骨则依据真值胸椎序列编号。数据集以患者为单位进行交叉匹配，无需配准或重采样，注释直接映射到具有最高骨覆盖度的CT序列上，最终形成802对CT体素与标签，其仿射矩阵完全对齐，保证空间一致性。针对S1椎体，通过平面切割骶骨定义其边界，确保为计数提供稳定的尾侧锚点。

特点

该数据集最显著的特点在于其专注于腰椎过渡椎的计数问题，通过设置颅侧锚点T12与尾侧锚点S1，使L5与L6的区分具有确定性。所有腰椎过渡病例均标注了专家级Castellvi分级，并提供双重独立读取记录以体现临床复杂性。标签体系采用VerSe原生ID并扩展至82类，涵盖脊柱、骨盆、肋骨、股骨及手术植入物，其中33个ID在零病例中出现但被预留以维持方案稳定性。尤为重要的是，数据集明确了肋骨变异的特殊分类，如腰椎肋骨（id 74-75），并标示了在11例中由放射科确认的手术内固定物，其赋予的优先权高于骨骼标签，避免植入物被误归为骨组织。此外，S1切割经过几何优化，提高了对称性，且所有记录均进行密集标注，忽略区域未使用，确保数据质量。

使用方法

数据集提供了灵活的访问方式，用户可通过HuggingFace hub按病例下载单一样本或借助清单文件筛选特定子集，如仅获取腰椎过渡病例。附带的dataset_interface.py模块实现了PyTorch适配器CTSpinoPelvicDataset，支持按fold和split参数加载训练、验证及测试数据，与MONAI变换无缝集成，便于深度学习流水线的搭建。标签结构通过dataset_labels.json和label_occupancy.json描述，确保用户理解实际存在的类别。针对S1切割质量控制文件s1_carve_qc.csv可辅助过滤异常样本，尤其当计算骶骨倾斜角或骨盆入射角等参数时需依据该文件标记。总体而言，数据集旨在促进对腰椎过渡变异及脊柱骨盆参数测量的研究，同时保持标注的可追溯性与科学严谨性。

背景与挑战

背景概述

CTSpinoPelvic1K数据集由OpenSpineConsortium于2023年创建，整合了来自TCIA CT结肠ography、CTSpine1K和CTPelvic1K的802个CT体积，旨在解决腰椎骶椎过渡区（LSTV）导致的腰椎编号错误问题。该数据集由放射科医生提供金标准标签，涵盖胸腰椎、骶骨、髋部、股骨、肋骨及手术植入物，并对过渡病例提供Castellvi分级。其发布标志着脊柱骨盆联合分割与计数研究的重要进展，为计算机辅助诊断和手术规划提供了数据基石。

当前挑战

当前主要挑战在于：1）领域问题：LSTV使腰椎计数模糊，传统分割工具无法区分L5与L6，易导致手术节段错误，需从解剖标志（T12与S1）进行准确计数；2）数据构建：整合异质来源（CT系列差异、注释协议不一）需精确对齐，且S1分割存在平面倾斜和体积不稳定问题；3）标注质量：部分类别（如神经、血管）未填充，需识别空缺类别；4）过渡病例稀少（仅33例），半骶化等表型分类困难，Castellvi分级中Ib/IIb和IIIa/IIIb边界易混淆。

常用场景

经典使用场景

CTSpinoPelvic1K数据集作为融合脊柱与骨盆的三维CT分割资源，其核心应用场景聚焦于腰骶移行椎（LSTV）患者中腰椎节段准确编号的挑战。该数据集通过提供放射科医生验证的逐体素标签图，覆盖胸腰段脊柱、骶骨、髋骨、股骨、肋骨及手术内固定物，使得深度学习模型能够在解剖学锚点（T12与S1）的辅助下，从真实的解剖结构中学习椎体计数规则，从而精准区分L5与L6。该数据集的标准做法是使用VerSe原生标签体系，结合患者级别的五折交叉验证和保持测试集，适用于三维语义分割任务，尤其侧重于对移行椎的精确识别与分级。

解决学术问题

该数据集解决了脊柱影像分析中长期存在的椎体计数歧义问题，尤其针对约五分之一人群中腰骶交界处的移行椎变异。传统分割模型训练于非移行性解剖数据，常静默地错误标记椎体节段，可能导致手术节段错误。通过提供带专家Castellvi分级标注的移行椎病例，以及双端计数锚点（T12和S1），数据集使模型能够基于视野内的实际解剖结构学习腰椎计数，从根本上提升节段识别的确定性。这为研究LSTV的表型多样性、半骶化与腰化的界限，以及椎体计数对脊柱骨盆参数（如骶骨倾斜和骨盆入射角）测量的影响，提供了高可靠性的数据支撑。

衍生相关工作

CTSpinoPelvic1K数据集的发布催生了一系列衍生研究，促进了脊柱骨盆联合分割与节段计数方法的进步。经典工作中，研究者常基于该数据集开发多任务学习框架，同时优化椎骨分割和LSTV分类，以提高整体性能。此外，数据集中的S1切割方案和质量控制指标启发了关于解剖学基准点定义的研究，推动了基于主成分分析的切割平面标准化方法的发展。在模型鲁棒性方面，跨数据集泛化研究借助该数据集的多元来源（CT结肠成像，CTSpine1K，CTPelvic1K）评估分割算法在不同影像协议下的适应性。这些工作共同推动了医学影像分析向更精细解剖学理解与临床可靠性增强的方向演进。