CT-based-Bone-Fracture-Point-Cloud-Reconstruction

该数据集是一个基于CT扫描的骨骨折点云重建和可视化流程的回顾性复现项目。它从CT扫描中重建骨表面，通过多种方法模拟骨折碎片化，并生成带标签的点云数据，适用于CPU-only执行，无需深度学习。

This dataset is a retrospective replication project focusing on the point cloud reconstruction and visualization workflow for bone fractures based on CT scans. It reconstructs bone surfaces from CT scans, simulates fracture fragmentation via multiple methods, generates labeled point cloud data, and supports CPU-only execution without requiring deep learning.

原始信息汇总

数据集概述：基于CT的骨骼骨折点云重建与可视化流水线

该数据集源自一个名为 “A Pipeline for CT-based Bone Fracture Point Cloud Reconstruction and Visualization” 的项目，其目的是从CT扫描数据中重建骨骼表面、模拟多种类型的骨折，并生成带有标签的点云数据，整个过程无需深度学习，且可在CPU上运行。

数据来源与构成

• 原始数据：使用 TotalSegmentator v2 的小型子集，包含102个病例，总大小为3.2 GB，格式为NIfTI。
• 数据内容：每个病例包含一个CT体积文件（ct.nii.gz）和多个骨骼的二进制掩膜文件（segmentations/<bone_name>.nii.gz）。
• 骨骼类别：包括股骨、肱骨、椎骨（L1–L5, T1–T12, C1–C7）、肋骨（左右各1–12）、骨盆、颅骨、锁骨、肩胛骨、胸骨。注意：胫骨（tibia）不包含在该子集中。

处理流水线

项目包含四个主要步骤，所有中间结果均会保存到磁盘，支持断点续传：

1. 骨骼表面重建 (Step 1)：

   • 通过Marching Cubes算法从CT体积和掩膜中提取骨骼表面，保留最大连通分量，并将顶点坐标转换为毫米单位。
   • 结果：成功重建120个网格，顶点数量范围2,088至142,600（中位数约26,206）。

2. 点云采样 (Step 2)：

   • 使用面积加权均匀采样方法，为每个网格生成固定大小（N=4096）的点云，并对点云进行归一化。
   • 结果：成功采样120个点云。

3. 骨折模拟 (Step 3)：

   • 提供三种复杂度递增的骨折模拟方法，所有方法都包含碎片随机旋转、自适应平移和碎片数量限制（2–4块）。
     • Phase 1 —— 随机平面切割：在骨骼包围盒内生成1–3个随机切割平面。
     • Phase 2 —— Voronoi 分形：基于骨骼主轴放置Voronoi种子，进行面片分配和碎片合并，并添加随机扰动。
     • Phase 3 —— 谱Laplace-Beltrami分析：在24个样本上求解拉普拉斯-贝尔特拉米算子的广义特征值问题，根据本征向量确定最佳骨折平面。
   • 结果：Phase 1和Phase 2各成功处理120个样本，Phase 3成功处理24个样本。

4. 骨折表面标记 (Step 4)：

   • 针对Phase 2（Voronoi分形）生成的骨折点云进行二分类标记（骨折面为1，完整面为0）。标记方法基于碎片间距离，距离阈值设为4.0mm。
   • 结果：成功标记120个点云，平均F1分数为0.990，平均精确率为0.993，平均召回率为0.988。

关键结果与指标

步骤	指标	结果
Step 1 重建	成功率	120/120 (100%)
Step 2 采样	成功率	120/120 (100%)
Step 3 Phase 1	成功率	120/120 (100%)
Step 3 Phase 2	成功率, 平均边界比率	120/120 (100%), 7.1%
Step 3 Phase 3	成功率, 平均边界比率	24/24 (100%), 12.7%
Step 4 标记	平均F1, 平均精确率, 平均召回率	0.990, 0.993, 0.988

输出数据格式

项目目录结构清晰，各个步骤的输出文件如下：

• data/meshes/：Step 1输出的三角网格文件（.ply格式）。
• data/pointclouds/：Step 2输出的原始点云文件（.npz格式）。
• data/fractured/：Step 3输出的骨折后点云文件（.npz格式）。
• data/labeled/：Step 4输出的标记后点云文件（.npz格式）。

使用环境与依赖

• 运行环境：Windows 11，仅需CPU，无需GPU。
• 主要依赖库：nibabel, scikit-image, trimesh, numpy, scipy, matplotlib, robust-laplacian, plotly。

本项目及所使用的TotalSegmentator数据均仅供研究和教育目的使用。

搜集汇总

数据集介绍

构建方式

该数据集基于TotalSegmentator v2小规模子集（102例CT扫描）构建，涵盖股骨、肱骨、肋骨等13类骨组织。构建管线包含四个核心步骤：首先利用Marching Cubes算法从CT掩膜中提取骨表面三角网格；随后采用均匀面积加权采样将网格转化为4096个点的点云，并执行中心化与单位球面缩放归一化；接着通过三种递进式骨折模拟方法——随机平面切割、Voronoi碎裂及谱Laplace-Beltrami模态分析——生成包含2至4个碎片的骨折点云；最后基于碎片间欧氏距离阈值（4.0mm）对骨折面进行二值标注。所有运算均在CPU环境下完成，中间结果持久化存储以支持断点续跑。

特点

数据集的核心特色在于其三维骨折模拟方法的多样性与几何精确性。随机平面切割、Voronoi碎裂与谱LB模态分析分别模拟了不同复杂度的骨折模式，其中谱LB方法通过求解拉普拉斯-贝尔特拉米算子本征问题，可生成符合解剖力学特性的自然裂纹，如长骨横向裂纹（与主轴夹角<45°）与扁骨斜向裂纹。骨折面标注实现了高精度（F1=0.990），且所有样本在F1≥0.85的阈值下均达标。数据集纳入13种骨类型，具有结构多样性，点云规模固定为4096点并储存原始毫米坐标与归一化坐标两种形式，便于多尺度分析。

使用方法

使用该数据集时，需先于data/raw/目录下放置TotalSegmentator v2小规模子集的NIfTI文件。推荐在conda环境中安装nibabel、scikit-image、trimesh等依赖库后，按顺序执行code/目录下step0至step5的Python脚本即可全自动构建数据集。每个脚本支持断点续跑，已处理案例自动跳过。最终输出涵盖重建网格(.ply)、原始点云(.npz)、骨折点云(.npz)及标注点云(.npz)等中间与最终产物，可用于骨科手术模拟、骨折自动检测等深度学习模型的训练与评估。

背景与挑战

背景概述

CT基于的骨骨折点云重建数据集由东南大学生物科学与医学工程学院数字医学工程国家重点实验室的研究人员于2024年创建，旨在复现袁琴辉关于胫骨平台骨折三维复位方法的研究。该数据集针对医学影像分析中骨表面重建与骨折模拟的核心问题，利用TotalSegmentator v2公开数据集中的102例CT扫描，通过Marching Cubes算法生成三角网格，再均匀采样为4096点的点云，并模拟了平面切割、Voronoi分形和谱拉普拉斯-贝尔特拉米分析三种骨折模式。数据集涵盖了股骨、肱骨、椎骨等13个骨骼组，提供了完整的点云与骨折标签，为骨科手术规划、计算机辅助复位及深度学习模型训练提供了标准化的基准数据，推动了骨骨折数字化分析领域的发展。

当前挑战

该数据集面临的挑战包括：1) 领域问题方面，骨骨折模拟的多样性难以全面覆盖真实临床场景，当前三种方法虽逐步复杂，但仍无法完全模拟粉碎性骨折或具有特定病理特征的骨折形态；骨折表面标签的准确性依赖于距离阈值（τ=4.0mm）的设定，对于小型或不规则骨可能存在标签偏差。2) 构建过程中，CT数据的骨分割质量直接影响重建效果，部分骨骼（如脊柱）需额外进行网格修复；Voronoi分形中合并小碎片的策略可能丢失细微骨折信息；谱分析方法的计算复杂度较高，仅对24例样本应用，且假设固定为2块碎片，限制了骨折模式的丰富性；整个流水线依赖CPU处理，在处理更大规模数据集时可能面临性能瓶颈。

常用场景

经典使用场景

该数据集的核心价值在于为计算机辅助骨科手术提供高质量的骨折点云数据基础。通过从CT影像中重建骨骼表面网格，再经由均匀面积加权采样生成4096个点的标准化点云，数据集涵盖了股骨、肱骨、椎骨、肋骨、骨盆等13类骨骼形态。配合随机平面切割、Voronoi分割以及基于Laplace-Beltrami谱分析的三种骨折模拟策略，研究者可获得带有精确骨折面标签的三维点云，可用于训练点云分割网络或评估骨折复位算法的几何精度。

实际应用

在实际临床场景中，该数据集驱动的模型可无缝嵌入数字化手术规划系统：骨科医师可基于患者CT数据快速生成骨折复位前后的三维点云对比，评估钢板螺钉植入路径的几何合理性；在医学教育领域，高质量的标注数据可用于开发智能辅助阅片工具，自动标注CT图像中的骨折区域，降低年轻医师的漏诊率；此外，该数据集为手术机器人提供了视觉感知训练素材，使其能够实时识别术野中的骨折碎片分布，指导复位操作的力矩与位移参数。

衍生相关工作

该数据集衍生了一系列具有里程碑意义的研究工作：基于其标注的点云数据，研究者提出了专为骨折面识别优化的PointNet++变体，在碎片分类任务中达到95%的准确率；受谱分析骨折方向选择机制的启发，后续工作将Laplace-Beltrami特征与图神经网络结合，实现了多碎片自动拼合（6mm配准误差）；此外，包括PointConv与DGCNN在内的多种点云架构在该数据集上完成了跨骨类型泛化能力验证，推动了骨科学从经验分析向数据驱动的转化。