xvr|医学影像数据集|深度学习数据集

xvr数据集是由麻省理工学院等多个机构创建的，用于训练特定于患者的神经网络，以实现术中X射线与术前3D体积的快速准确注册。该数据集包含了来自三个医院66位患者的多模态影像数据和多种解剖结构的注册数据。数据集通过物理基础的仿真，从患者的术前3D影像中生成高质量的合成X射线训练数据，以克服监督模型在新患者和程序上泛化能力不足的问题。

AI搜集汇总

数据集介绍

构建方式

xvr数据集的构建基于患者特定的术前三维影像（如CT或MRI），通过物理模拟生成大量高质量的合成X射线图像。具体而言，xvr利用可微分的X射线渲染器，模拟C臂成像的物理和几何特性，从患者的术前三维影像中随机生成合成X射线图像。这些合成图像用于训练患者特定的神经网络，以回归C臂的位姿。通过这种方式，xvr克服了传统监督模型在新患者和新手术中泛化能力不足的问题，且每个患者的训练时间仅需5分钟，适用于紧急手术和计划手术。

特点

xvr数据集的特点在于其高度自动化和患者特定的训练框架。它通过物理模拟生成合成X射线图像，确保了数据的高保真度和几何一致性。此外，xvr能够在短时间内（5分钟）完成患者特定模型的训练，显著提高了手术中的实时性。数据集涵盖了多种解剖结构、成像模式和医院环境，确保了其在不同临床场景中的广泛适用性。xvr还通过开源软件的形式发布，进一步推动了其在医学影像引导手术中的应用。

使用方法

xvr数据集的使用方法分为术前和术中两个阶段。术前阶段，利用患者的术前三维影像生成合成X射线图像，并训练患者特定的神经网络以回归C臂的位姿。术中阶段，训练好的神经网络用于实时2D/3D配准，通过多尺度迭代优化器在几秒内实现亚毫米级的配准精度。xvr还提供了简单的命令行界面，使临床医生能够轻松训练患者特定模型，并在手术中快速部署。此外，xvr支持多种解剖结构的配准，适用于神经外科、骨科、血管外科等多个医学领域。

背景与挑战

背景概述

xvr数据集由哈佛-麻省理工学院健康科学与技术部门、麻省理工学院计算机科学与人工智能实验室、布莱根妇女医院和哈佛医学院的研究团队于2025年提出，旨在解决2D/3D图像配准在图像引导手术中的关键问题。该数据集通过物理模拟生成患者特定的训练数据，克服了传统方法在泛化性和手动标注上的局限性。xvr框架能够在5分钟内完成患者特定的神经网络训练，显著提升了手术中的实时图像配准精度，推动了人工智能在图像引导手术中的应用。

当前挑战

xvr数据集面临的挑战主要包括两个方面：首先，2D/3D图像配准在临床实践中需要极高的精度和鲁棒性，传统方法因参数调整复杂和泛化能力不足而难以满足需求；其次，构建过程中需克服数据稀缺性和患者解剖结构多样性的问题，尤其是在缺乏标注数据的情况下，如何通过物理模拟生成高质量的训练数据成为关键。此外，xvr还需在保证配准精度的同时，适应不同医院和设备的成像差异，确保其在广泛临床场景中的实用性。

常用场景

经典使用场景

xvr数据集在医学影像引导手术中具有广泛的应用，尤其是在复杂的介入手术中，通过将术中的二维X射线图像与术前的三维体积图像（如CT或MRI）进行快速、精确的对齐，帮助医生在手术过程中实时导航。该数据集通过物理模拟生成大量高质量的训练数据，克服了传统方法在新患者和新手术中泛化能力不足的问题。

衍生相关工作

xvr数据集衍生了许多相关研究，特别是在深度学习驱动的2D/3D配准领域。基于xvr的研究工作进一步优化了配准算法，推动了术中影像导航技术的发展。此外，xvr的开源性质也促进了更多研究者在其基础上进行创新，推动了医学影像处理技术的进步。

数据集最近研究

最新研究方向

近年来，xvr数据集在医学影像引导手术领域的研究方向主要集中在2D/3D图像配准的自动化和个性化上。通过结合物理模拟和深度学习技术，xvr框架能够快速生成患者特定的训练数据，从而实现术中X射线图像与术前3D体积图像的精确配准。这一技术不仅显著提高了配准的精度和速度，还减少了对人工标注的依赖，极大降低了临床负担。xvr的最新研究还探索了在紧急手术中的应用潜力，通过预训练模型和快速微调策略，能够在5分钟内完成患者特定模型的训练，适用于多种解剖结构和手术场景。此外，xvr的开源发布进一步推动了该技术在临床实践中的广泛应用，为未来智能手术导航系统的发展奠定了基础。

相关研究论文

• Rapid patient-specific neural networks for intraoperative X-ray to volume registration

  麻省理工学院 · 2025年