PENGWIN 2024 Challenge Dataset

该数据集包含了从多个临床中心收集的150个CT扫描图像，以及利用DeepDRR方法生成的大规模模拟X射线图像。来自25个国家的239名参与者使用了这个数据集，针对CT图像任务提交了256份结果，针对X射线图像任务提交了84份结果。该数据集的任务是对骨盆骨折在CT和X射线图像上进行语义分割。

This dataset contains 150 CT scan images collected from multiple clinical centers, as well as large-scale simulated X-ray images generated using the DeepDRR method. A total of 239 participants from 25 countries utilized this dataset, submitting 256 results for the CT image task and 84 results for the X-ray image task. The task of this dataset is semantic segmentation of pelvic fractures in both CT and X-ray images.

搜集汇总

数据集介绍

构建方式

在骨盆骨折影像分析领域，构建高质量、多模态数据集是推动算法发展的基石。PENGWIN 2024挑战赛数据集的构建遵循了严谨的临床与工程结合路径。其核心CT数据来源于中国六家医疗中心，共收集了150例计划接受骨盆复位手术患者的术前CT扫描，确保了设备、患者群体及骨折类型的多样性。数据标注采用半自动化流程：首先利用在健康骨盆CT上预训练的nnUNet模型进行骨盆骨骼的初步分割，随后由经验丰富的标注员在3D Slicer软件中手动细化解剖结构并识别骨折碎片，最终由资深骨科专家进行验证与确认。对于X射线模态，研究团队采用DeepDRR框架，通过对上述CT数据进行材料分解、前向投影、基于深度学习的散射估计及噪声注入，生成了48,600张模拟术中C臂X光图像，并随机化手术器械干扰，以高度仿真真实临床场景。

特点

该数据集在骨盆骨折影像分析领域展现出鲜明的特色。其首要特点是多模态与任务导向性，同时提供了三维CT与二维模拟X射线数据，分别对应术前规划与术中引导两大关键临床需求。其次，数据具有高度的临床真实性与复杂性，CT数据涵盖从骨盆环脱位到髋臼、骶骨骨折等多种类型，碎片数量在3至12个之间，充分反映了骨盆骨折的解剖复杂性。X射线数据则通过物理模拟，逼真地再现了组织结构重叠、手术器械遮挡等术中挑战。再者，数据标注精细且具有层次结构，不仅提供了骨骼解剖分割（左髋骨、右髋骨、骶骨），更对每个骨骼内的骨折碎片进行了实例级分割，并采用基于解剖来源和碎片大小的两级索引，为算法开发提供了精确的监督信号。

使用方法

该数据集旨在为骨盆骨折自动分割算法提供基准测试平台，其使用方法清晰明确。研究者可通过公开仓库获取训练集，其中CT与X射线数据分别提供。算法开发需针对两个独立任务：在CT任务中，输入为三维骨盆CT体积，输出需为包含骶骨、髋骨及各独立骨折碎片的体素级分割掩码；在X射线任务中，输入为单张二维模拟X光图像，输出需为对应的像素级多标签分割掩码。评估采用一套综合指标，包括碎片分割与解剖分割两个层面，分别计算交并比、95%豪斯多夫距离和平均对称表面距离。最终排名依据各指标平均排名确定，确保了评估的全面性与公正性。该数据集的使用将有效推动骨盆骨折精准、自动化分割技术的发展。

背景与挑战

背景概述

PENGWIN 2024挑战数据集聚焦于骨盆骨折的影像分割领域，由北京航空航天大学、约翰霍普金斯大学、德国癌症研究中心等多家国际知名机构的研究团队于2024年联合创建。该数据集旨在应对骨盆骨折这一严重创伤在临床诊断与手术规划中的核心难题，即如何在CT与X射线影像中精确、自动地分割骨折碎片。作为MICCAI 2024的卫星活动，PENGWIN汇集了来自全球的算法进行基准测试，其构建基于150例多中心CT扫描及大量DeepDRR模拟X射线图像，显著推动了图像引导骨科手术与深度学习在复杂解剖结构分割中的研究进展。

当前挑战

PENGWIN数据集所针对的骨盆骨折分割任务面临多重挑战。在领域问题层面，骨盆解剖结构复杂，骨折碎片形态多样、位置多变，且常存在碎片碰撞或接触，使得传统分割方法难以准确界定碎片边界；X射线影像中因投影重叠导致解剖结构混淆，碎片分离尤为困难。在构建过程中，数据收集面临骨盆骨折病例相对稀缺的局限；标注工作需处理不完全骨折的碎片定义不确定性，依赖专家经验进行判断；同时，X射线数据依赖于仿真生成，虽能模拟真实影像特征，但与临床真实C臂影像间仍存在差异，影响了模型的直接临床转化潜力。

常用场景

经典使用场景

在骨科医学影像分析领域，PENGWIN 2024挑战数据集为骨盆骨折的自动分割算法提供了关键的基准测试平台。该数据集的核心应用场景是评估和比较不同深度学习模型在CT和X射线图像中对复杂骨折碎片进行像素级分割的能力。通过提供包含150例患者CT扫描及大量模拟X射线图像的高质量标注数据，该数据集使研究者能够在统一标准下验证算法的准确性、鲁棒性和泛化性能，从而推动骨盆骨折精准分割技术的发展。

解决学术问题

PENGWIN数据集有效解决了骨盆骨折影像分析中的若干关键学术难题。首先，它针对骨折碎片形状多样、空间关系复杂的特点，为实例分割方法提供了标准化的评估框架。其次，数据集通过模拟不同C臂角度的X射线图像，攻克了二维投影中解剖结构重叠导致的碎片分离困难。此外，该数据集促进了多中心、多设备影像数据的融合分析，为模型在不同成像条件下的稳定性研究奠定了基础。这些贡献显著提升了骨折分割的可重复性与可比性，为后续手术规划与导航研究提供了可靠的数据支撑。

衍生相关工作

围绕PENGWIN数据集，学术界衍生出一系列具有影响力的研究工作。在算法层面，参赛团队提出了多种创新架构，如基于边界-核心表示的动态厚度调整网络、结合距离先验图的多尺度特征融合模型等。这些方法突破了传统语义分割在实例分离上的局限。在应用延伸方面，部分研究开始探索骨折分割与复位姿态规划的协同优化，或将CT与X射线模态进行跨域知识迁移。数据集本身也催生了关于标注不确定性量化、交互式分割框架等前沿议题的深入探讨，为医学图像分析领域注入了新的研究动力。