开放髋关节发育不良数据集

该数据集由阿尔伯塔大学等机构创建，包含200份2D髋关节超声图像，来自Radiopedia和香港理工大学，并伴有专家标注。数据集旨在推进髋关节发育不良（DDH）的自动化多模态分析研究，包含超声和X射线成像两种模态的数据，为DDH诊断提供开源数据集和工具。

This dataset was developed by the University of Alberta and other collaborating institutions. It includes 200 2D hip ultrasound images sourced from Radiopedia and The Hong Kong Polytechnic University, which are paired with expert annotations. Designed to advance automated multimodal analysis research for developmental dysplasia of the hip (DDH), the dataset encompasses data from two imaging modalities: ultrasound and X-ray, and serves as an open-source dataset and toolset for DDH diagnosis.

搜集汇总

数据集介绍

构建方式

开放髋关节发育不良数据集（Open Hip Dysplasia Dataset）的构建采用了多模态医学影像数据整合策略，涵盖超声（US）和X射线两种成像模态。研究团队通过标准化采集流程，从Radiopedia和香港理工大学等公开资源中筛选了200例2D超声图像，并由放射学专家进行关键解剖标志物的手工标注（如髋臼α角和覆盖率）。数据预处理阶段遵循Graf方法对超声图像进行标准化分割（髂骨/髋臼区域标记为红色，股骨头标记为绿色），X射线影像则采用三角标志点检测算法测量髋臼指数。所有数据经过去标识化处理后，通过Zenodo平台以CC-BY协议开源发布，确保符合医学数据隐私规范。

使用方法

研究者可通过三种路径利用该数据集：基于Python API的端到端分析管线支持一键式测量生成，用户仅需20行代码即可完成从影像加载到参数输出的全流程；模块化设计允许替换自定义分割模型（支持PyTorch和ONNX格式），通过插件系统与既有规则算法（如Graf分类器）无缝集成。对于临床场景，提供DICOM兼容的Web界面实现PACS系统直连，支持实时超声视频流分析。数据集特别设计batch processing模式，单帧后处理时间控制在10ms内（4核CPU/16GB RAM环境），满足大规模筛查需求。建议使用流程为：1）通过GitHub获取retuve框架；2）加载预训练模型或微调自定义模型；3）调用get_measurements()接口输出结构化报告，包含置信度评分与质量控制指标。

背景与挑战

背景概述

开放髋关节发育不良数据集（Open Hip Dysplasia Dataset）由阿尔伯塔大学、NHS Lothian及Insight Softmax Consulting等机构的研究团队于2025年创建，旨在解决髋关节发育不良（DDH）诊断中的标准化与可重复性问题。该数据集作为开源框架Retuve的核心组成部分，首次整合了超声与X射线双模态影像数据，并附有专家标注的关键解剖标志点（如α角和髋臼指数）。其创新性体现在通过开源协作模式推动DDH筛查技术的民主化，弥补了传统筛查方法依赖主观经验、AI研究因数据封闭导致的复现性不足等缺陷，为早期干预和降低骨关节炎风险提供了客观量化工具。

当前挑战

该数据集面临的挑战主要体现在两方面：领域问题层面，DDH作为发病率差异显著（1.5-20/1000新生儿）的罕见病，存在假阳性率高（筛查成本达97%）、自然转归比例大等特性，需解决多中心数据异质性带来的模型泛化难题；构建过程中，需克服双模态影像标注标准不统一（如超声动态扫查与静态X射线的解剖结构对应）、专家标注一致性控制，以及平衡开源数据共享与患者隐私保护（如DICOM脱敏）等技术伦理问题。此外，长周期临床验证数据的缺乏也制约了AI模型在真实场景中的可靠性验证。

常用场景

经典使用场景

开放髋关节发育不良数据集在医学影像分析领域具有重要价值，尤其在髋关节发育不良（DDH）的自动化诊断研究中占据核心地位。该数据集整合了超声和X射线两种模态的专家标注影像，为研究者提供了标准化的基准数据。其经典使用场景包括开发AI模型进行髋关节关键解剖标志点检测、软骨轮廓分割以及α角和髋臼指数的自动测量，这些指标是临床诊断DDH的金标准。数据集的多模态特性使得研究者能够探索不同影像技术在DDH诊断中的互补价值，特别是在新生儿髋关节筛查这种需要高灵敏度的应用场景中。

解决学术问题

该数据集有效解决了DDH研究领域长期存在的两个关键学术问题：诊断标准不统一和AI研究可重复性不足。通过提供经过专家标注的标准化影像数据，研究者可以建立客观的测量基准，减少不同医疗机构间的诊断差异。开放共享的预训练模型和完整代码解决了医学AI领域普遍存在的'黑箱'问题，使研究成果能够被独立验证和比较。特别值得注意的是，数据集包含的200例2D超声影像及其动态扫描视频，为研究髋关节形态学变化的时空特征提供了独特资源，这对理解DDH的病理演变机制具有重要科学价值。

实际应用

在实际临床应用层面，该数据集支撑的Retuve系统已展现出显著的临床转化潜力。其模块化设计允许灵活集成到医院PACS系统或便携式超声设备中，实现从三甲医院到基层医疗机构的DDH筛查覆盖。系统提供的实时分析功能（单帧处理时间<5ms）特别适合门诊场景下的即时诊断，而批量处理能力则支持区域性新生儿髋关节普查。值得注意的是，系统包含的扫描质量评估模块能有效降低操作者依赖性，这对于推广至缺乏资深超声医师的偏远地区具有重要意义。数据集衍生的AI模型还可作为教学工具，帮助住院医师掌握Graf分型等专业诊断技能。

数据集最近研究

最新研究方向

近年来，开放髋关节发育不良数据集（Open Hip Dysplasia Dataset）在医学影像分析领域引起了广泛关注。随着人工智能技术在医疗诊断中的深入应用，该数据集为髋关节发育不良（DDH）的自动化筛查和诊断提供了重要支持。前沿研究主要集中在多模态影像分析、开源AI框架的构建以及诊断参数的自动化测量。通过整合超声和X射线影像数据，研究者能够开发出更加精准和可复现的诊断工具，如Retuve框架，它不仅提供了专家标注的数据集，还包含了预训练模型和用户友好的API接口。这一进展不仅推动了DDH筛查的标准化和普及，还为早期干预和患者预后改善奠定了基础。开源数据的共享进一步促进了全球研究者的协作，加速了AI模型在临床实践中的应用验证和优化。

相关研究论文

• Retuve: Automated Multi-Modality Analysis of Hip Dysplasia with Open Source AI

  阿尔伯塔大学放射诊断成像系, NHS Lothian放射科, Insight Softmax咨询公司 · 2025年