Upper Ankle Joint Synthetic Dataset

该数据集由吕贝克大学等机构创建，名为上踝关节合成数据集，包含3077对深度图像与X光图像，专为患者姿态评估任务设计。数据源自CT扫描，通过框架生成不同姿态与诊断质量的合成图像，涵盖多种体型模拟和病变增强。创建过程包括表面提取、点云增强、场景合成及蒙特卡洛模拟生成X光片，确保临床真实性。数据集旨在解决实际临床中获取配对深度图像与X光片的伦理与监管难题，用于训练AI模型自动评估患者姿态，提升放射诊断质量并减少重复曝光。This dataset was created by institutions including the University of Lübeck, and is named the Superior Ankle Joint Synthetic Dataset. It contains 3077 pairs of depth images and X-ray images, specifically designed for patient posture assessment tasks. The data originates from CT scans, and synthetic images with varying postures and diagnostic qualities are generated via a framework, covering multiple body type simulations and lesion enhancements. Its creation process includes surface extraction, point cloud enhancement, scene synthesis, and Monte Carlo simulation for X-ray image generation, ensuring clinical authenticity. The dataset aims to address the ethical and regulatory challenges of acquiring paired depth images and X-ray images in actual clinical settings, and is used to train AI models for automatic patient posture assessment, thereby improving the quality of radiological diagnosis and reducing repeated radiation exposure.

搜集汇总

数据集介绍

构建方式

本数据集基于CT扫描通过一套框架合成生成，旨在为患者姿态评估提供训练数据。首先，利用Marching Cubes算法从CT中提取目标解剖结构（上踝关节）的表面点云，并通过裁剪、聚类及平面拟合进行预处理。随后，对点云进行增强，包括沿法向量方向的缩放以及添加高斯分布的凸起，以模拟不同体型及水肿情况。将增强后的点云置于预录的X光室场景中，通过旋转模拟不同诊断质量的姿态，并利用2D投影生成深度图像。同时，基于蒙特卡洛模拟生成对应姿态的X光片，确保解剖特征的一致性。最终，从10例CT中提取17个上踝关节，经增强与旋转，生成3077对X光片及30770张深度图像。

特点

该数据集具有显著的规模优势与灵活性，是目前最大的将深度图像与诊断质量相关联的数据集。其构建方式使得从单次CT可生成多种姿态及增强变体，模拟不同体型、水肿及非标准姿态，极大提升了数据多样性。深度图像与X光片严格对应，并由4位放射科医师依据关节间隙可见性进行1至3级评分，标注精细可靠。此外，框架支持调整相机视角与场景参数，可适应不同X光室配置，为研究相机位置及多视角评估提供了支持。该数据集的生成遵循物理模型，确保了合成X光片的真实性，并已通过专家验证，适用于预训练及迁移学习任务。

使用方法

该数据集主要用于深度神经网络的预训练，以提升真实场景下上踝关节姿态评估的准确性。使用时，可将合成的深度图像与X光片对作为训练输入，通过回归模型预测诊断质量标签。具体而言，采用双相机视图的深度图像分别输入两个EfficientNet-B0网络，输出连续质量值并平均，以实现姿态评估。预训练后，可在真实解剖标本数据集或临床数据集上进行微调，或利用线性探测评估特征质量。实验表明，合成数据预训练能将真实数据上的准确率提高至多11个百分点，并显著优于ImageNet预训练。其使用方式还包括消融研究，以评估不同增强策略对性能的影响，以及统计显著性检验验证效果。

背景与挑战

背景概述

上踝关节合成数据集由德国吕贝克大学神经与生物信息学研究所联合大学医学中心等多家机构于2026年发布，核心研究团队包括Manuel Laufer、Dominik Mairhöfer等。该数据集针对放射检查中患者体位对影像诊断质量的关键影响，提出基于CT扫描的合成数据生成框架，旨在通过深度学习实现放射前的自动体位评估。数据集包含3077对合成X光片与深度图像，源自10位患者的CT数据，并经过专家标注诊断质量等级。该研究开创性地解决了医疗影像数据采集中的伦理与法规难题，为后续相关研究提供了规模化、可复现的数据基础，对医学影像人工智能领域具有重要推动作用。

当前挑战

该领域面临的核心挑战在于患者体位与放射影像诊断质量之间复杂非线性关系的精准建模，尤其是在仅有深度图像而无对应X光片的临床场景下，如何准确预测体位对成像质量的影响。数据集构建过程中，需克服从CT生成逼真合成图像的技术难题，包括蒙特卡洛模拟的计算成本、多材质体素属性标定、深度图像与X光片的严格空间对齐，以及模拟患者不同体型、水肿等形态变异。此外，通过配准算法确保解剖结构在合成图像中的位置合理性，并保持专家标注的一致性与准确性，亦是构建高质量数据集的重大挑战。

常用场景

经典使用场景

该数据集主要服务于基于深度图像的X射线检查中患者体位自动评估模型的研究与开发。具体而言，研究者和工程师可借助这一包含3077对合成深度图像与X射线图像的资源，训练卷积神经网络以预测患者定位是否会产生诊断质量合格的X光片。数据集中不同旋转角度的模拟姿势涵盖了从理想到不合格的多种诊断质量等级，使得模型能够在真实拍摄前有效判别不良体位，从而为临床决策提供智能辅助。

解决学术问题

在医学影像领域，获取同时含有深度图像与对应X光片的标注数据极为困难，尤其涉及在非诊断姿势下对患者进行辐射照射存在伦理与法规壁垒。该数据集通过从CT扫描出发，利用蒙特卡洛模拟与点云处理技术，合成了大量多种姿态下的深度图像与X射线图像对，从而突破了这一数据获取瓶颈。它为深度模型提供了充足的训练样本，显著提升了模型在真实解剖标本及临床场景下体位评估的准确性，并通过预测性预训练策略有效缓解了真实标注数据稀缺的问题。

衍生相关工作

该数据集的提出促进了合成数据生成与迁移学习在医学影像分析中的交叉研究。围绕其框架，研究者可进一步探索不同相机位置与数量的优化配置，例如Laufer等人已将生成的合成数据用于评估ToF相机的布置方案。此外，数据集的生成方法可推广至其他关节或医疗场景，模拟不同体型与病理状态，为更广泛的医学图像理解任务提供了可扩展的数据基础，并催生了关于合成数据质量、增强策略及域适应技术的新一轮研究。