Learn2Reg

Learn2Reg数据集是一个多任务医学图像配准挑战的数据集，由吕贝克大学医学信息研究所创建。该数据集包含广泛的解剖结构（脑、腹部和胸部）、模态（超声、CT、MR）以及有无注释的情况，旨在全面评估形变配准算法。数据集包括多种临床相关的配准任务，如多模态扫描、少量/噪声注释、部分可见性、小数据集、大形变、小结构、无监督配准和缺失对应关系。该数据集的应用领域广泛，旨在解决医学图像配准中的多种问题，提高配准算法的准确性、鲁棒性和速度。

The Learn2Reg Dataset is a multi-task medical image registration challenge dataset developed by the Institute of Medical Informatics at the University of Lübeck. It encompasses a diverse set of anatomical structures (brain, abdomen, and chest), imaging modalities (ultrasound, CT, MR), and scenarios with or without annotations, aiming to comprehensively evaluate deformable medical image registration algorithms. The dataset includes a variety of clinically relevant registration tasks, such as multimodal image registration, sparse/noisy annotations, partial anatomical visibility, small-scale datasets, large deformations, small-sized anatomical structures, unsupervised registration, and missing correspondence. It covers a broad range of application scenarios, aiming to address diverse challenges in medical image registration and improve the accuracy, robustness, and speed of registration algorithms.

搜集汇总

数据集介绍

构建方式

Learn2Reg 数据集旨在全面评估可变形注册算法的性能，涵盖多种解剖结构、模态和标注情况。数据集的构建方式包括：1）从公开数据集中收集多个模态的医学图像，例如 CuRIOUS 数据集的 T1w 和 T2-FLAIR MR 扫描以及空间追踪的术中超声体积；2）对图像进行预处理，包括刚性配准、重采样、裁剪和填充等操作，以确保所有扫描具有相同的分辨率和尺寸；3）手动标注关键解剖结构，例如 Hippocampus MR 数据集的杏仁核头部和尾部；4）提供额外的训练数据，例如 Abdomen CT-CT 任务中的组内配准图像。数据集还提供了易于访问的框架，用于训练和验证 3D 注册方法，并收集了来自 20 多个团队的 65 个独立方法提交的结果。

特点

Learn2Reg 数据集具有以下特点：1）涵盖多种解剖结构（脑、腹部和胸部）、模态（超声、CT、MR）和标注情况（例如分割、关键点）；2）包括患者内和患者间注册任务；3）采用多种评估指标，包括鲁棒性、准确性、合理性（平滑性）和运行时间；4）易于访问，提供了预处理的图像、额外的标注和评估脚本；5）数据集规模较大，包含了来自多个公开数据集的图像；6）评估指标全面，可以评估算法在各种任务上的性能。

使用方法

使用 Learn2Reg 数据集进行医学图像注册算法的研究和评估，需要遵循以下步骤：1）从官方网站下载数据集和评估脚本；2）在训练和验证数据集上训练注册网络或调整超参数；3）在测试数据集上计算位移场，并提交给 grand-challenge.org 进行评估；4）分析评估结果，并根据需要进行算法优化。数据集还提供了 Docker 容器提交的示例，方便研究人员进行算法测试和评估。

背景与挑战

背景概述

图像配准是医学图像分析中的基础任务，经过数十年的研究，已经提出了多种方法。然而，只有少数研究对广泛的临床相关任务中的医学图像配准方法进行了全面比较。这限制了配准方法的发展、将研究成果应用于实践以及公平比较竞争方法的能力。Learn2Reg挑战通过提供一个多任务医学图像配准数据集来解决这些限制，以全面表征可变形配准算法。通过https://learn2reg.grand-challenge.org可以进行持续评估。Learn2Reg涵盖了广泛的解剖结构（大脑、腹部和胸腔）、模态（超声波、CT、MR）、标注可用性以及患者内和患者间配准评估。我们建立了一个易于访问的框架，用于训练和验证3D配准方法，从而能够汇编超过20个独特团队提交的超过65个个体方法的成果。我们使用了一系列互补指标，包括鲁棒性、准确性、合理性和运行时间，从而能够深入了解医学图像配准的最新技术水平。

当前挑战

Learn2Reg数据集相关的挑战包括：1)所解决的领域问题（例如：ImageNet数据集解决的领域问题是图像分类）的挑战；2)构建过程中所遇到的挑战。具体挑战包括：1)医学图像配准方法的全面比较；2)将研究进展应用于实践的限制；3)缺乏公平比较竞争方法的基准。Learn2Reg挑战通过提供一个多任务医学图像配准数据集来解决这些限制，以全面表征可变形配准算法。此外，Learn2Reg挑战还包括了以下挑战：1)跨数据集迁移的鲁棒性；2)仅标注某些解剖结构区域引起的偏差；3)直接比较所选方法的监督水平。

常用场景

经典使用场景

Learn2Reg 数据集是一个全面的医学图像配准挑战，涵盖了广泛的解剖结构（大脑、腹部和胸部）、模态（超声、CT、MRI）以及患者内和患者间配准评估。它提供了一个易于访问的框架，用于训练和验证 3D 配准方法，并允许在 https://learn2reg.grand-challenge.org 上进行持续评估。Learn2Reg 的经典使用场景包括评估和比较不同的配准方法，例如基于深度学习和基于优化的方法，以及研究监督策略对配准性能的影响。

实际应用

Learn2Reg 数据集在实际应用中具有广泛的应用前景。例如，它可用于开发用于放射治疗计划的呼吸运动估计算法，或用于监测疾病进展的纵向肺扫描配准算法。此外，Learn2Reg 数据集还可用于开发用于图像引导手术的配准算法，或用于创建用于异常检测的器官变异统计模型。Learn2Reg 数据集的实际应用场景还包括开发用于创建标准图谱空间以供进一步研究的配准算法，以及开发用于分析各种脑疾病的定量脑分析算法。

衍生相关工作

Learn2Reg 数据集衍生了许多相关的经典工作。例如，它启发了研究人员开发基于深度学习的配准方法，例如 Voxelmorph 和 DeepRegNet。此外，Learn2Reg 数据集还促进了基于优化的配准方法的发展，例如 ConvexAdam 和 LapIRN。此外，Learn2Reg 数据集还促进了关于监督策略对配准性能影响的研究，以及关于域迁移和标签偏差的研究。Learn2Reg 数据集对医学图像配准领域的研究和进展产生了重要影响，并推动了该领域的发展。