VibNet dataset

用于振动增强的超声图像中针头检测的数据集，包含了猪和牛组织样本的体外实验数据。

A dataset for needle detection in vibration-enhanced ultrasound images, containing in vitro experimental data from porcine and bovine tissue samples.

原始信息汇总

VibNet 数据集概述

数据集简介

• 数据集名称：VibNet
• 应用领域：医学影像处理，超声波图像中的针检测
• 数据集描述：VibNet是一个基于学习框架，通过外部对针轴施加周期性振动来增强超声波图像中针检测的鲁棒性和准确性的方法。

数据集构成

• 数据类型：超声波图像
• 数据来源：来自猪和牛的不同组织的ex vivo样本
• 数据样本：包含用于训练、验证和测试的数据样本

数据集特点

• 增强特性：利用周期性微振动在频率域中的特征，提高了针检测的鲁棒性
• 对比方法：与传统的基于图像强度方法相比，VibNet在频率域中的特征更为稳健

性能指标

• 定位误差：针尖误差$1.61pm1.56mm$，针对UNet的$8.15pm9.98mm$和WNet的$6.63pm7.58mm$
• 方向误差：针方向误差$1.64pm1.86^{circ}$，针对UNet的$9.29pm15.30^{circ}$和WNet的$8.54pm17.92^{circ}$

使用说明

• 数据准备：从release下载dataset.zip并解压
• 训练：配置config.py，生成数据分割文件，运行train.py
• 评估：配置test.py，运行测试并保存结果
• 可视化：配置predict.py，运行预测并保存输出视频

代码结构

• dataset/：包含测试数据集的样本
• config.py：训练模型时自动加载
• train.py：设置后直接用于训练模型
• predict.py：用于预测和可视化结果
• utils.py：包含多个脚本使用的函数
• /logs：包含训练日志
• /model：关于模型的代码
• /infer：推理代码

致谢

• 使用了多个开源代码库，包括运动编码器、预训练编码器模型、FIC模块和深度Hough变换

引用

@article{huang2025vibnet, author = {Huang, Dianye and Li, Chenyang and Karlas, Angelos and Chu, Xiangyu and Au, K. W. Samuel and Navab, Nassir and Jiang, Zhongliang}, title = {VibNet: Vibration-Boosted Needle Detection in Ultrasound Images}, journal = {IEEE Transactions on Medical Imaging}, year = {2025}, }

搜集汇总

数据集介绍

构建方式

VibNet数据集的构建，是基于对猪和牛的体外组织样本进行实验，采用外部施加的周期性振动来增强针头在超声图像中的可见性。该数据集通过集成神经短时傅里叶变换和霍夫变换模块，从空间时间域中提取运动特征，在频率域中聚集频率特征，并在霍夫空间中进行针头检测，从而实现了对针头检测鲁棒性和准确性的提升。

特点

VibNet数据集的特点在于，它利用了周期性微振动在频率域中相较于图像强度域中的特征更加稳健的特性，这使得VibNet在针头检测方面比传统的基于强度的方法更为有效。数据集包含的样本经过精心挑选和处理，以确保即使在针头可见性严重降低的情况下，仍能有效地进行检测。

使用方法

使用VibNet数据集首先需要准备数据集，通过下载和解压提供的dataset.zip文件。随后，在config.py中设置模型参数和训练参数，通过train.py进行模型训练，并通过test.py和predict.py进行模型评估和结果可视化。整个流程中，用户可以根据需要调整数据划分和模型配置，以适应不同的训练和测试需求。

背景与挑战

背景概述

VibNet数据集是在医学影像分析领域中，针对超声波引导下穿刺针检测的挑战而创建的。该数据集由Huang Dianye等研究人员于2025年提出，并在IEEE Transactions on Medical Imaging上发表相关论文。其主要研究问题是提高在超声波图像中穿刺针的检测精度和鲁棒性。VibNet数据集的构建，为医学影像处理领域提供了一种新的研究方向，即通过外部施加周期性振动增强针体在图像中的可见性，进而提高检测的准确性。该数据集的提出对超声波引导下的微创手术精确性提升具有重要影响力。

当前挑战

该数据集在构建和应用过程中面临的挑战主要包括：如何在超声波图像中准确提取针体振动特征，以克服图像本身固有噪声和低分辨率的问题；如何通过频域特征增强，有效聚合振动信息，并在Hough空间中实现针体的精确检测。此外，数据集的构建还需解决实际超声波图像中针体可见度低、伪影干扰等问题。

常用场景

经典使用场景

在医学影像分析领域，VibNet数据集的典型应用场景在于辅助医生进行超声引导下的经皮穿刺针检测。该数据集通过外部对针体施加周期性振动，利用振动产生的时域和频域特征，提高了在超声图像中针头的检测准确性和鲁棒性。通过训练基于振动的特征提取模型，VibNet在处理具有斑点噪声、针状伪影和低分辨率等固有挑战的超声图像时，能够有效地识别出针头位置。

解决学术问题

VibNet数据集解决了传统基于图像强度方法在低可视性条件下针头检测不准确的问题。在超声图像中，针头常常由于斑点噪声和低对比度而难以识别。VibNet通过利用针头振动产生的频域特征，提升了检测精度，减少了定位误差，从而为精确的医学干预提供了支持。此项工作对于提高超声引导下手术的安全性和效率具有显著意义。

衍生相关工作

VibNet数据集催生了一系列相关研究工作，如基于深度学习的运动特征提取、频域特征聚合以及针对不同医学图像的针头检测算法。这些衍生工作进一步扩展了VibNet的应用范围，不仅限于超声图像中的针头检测，还包括了其他医学影像分析任务，为医学影像处理领域带来了新的研究视角和技术进步。