P2ILReg

P2ILReg数据集由香港理工大学智能健康中心等机构创建，包含21位肝癌患者的346个术中关键帧视频，每个视频帧都标注有肝脏分割掩模，并伴有从CT图像中分割出的术前3D肝脏模型以及相应的校准相机内参矩阵。该数据集用于术前到术中的肝脏配准性能评估，旨在解决腹腔镜肝脏手术中3D-2D配准的难题。

The P2ILReg dataset was created by institutions including the Smart Health Center of The Hong Kong Polytechnic University and other relevant organizations. It contains 346 key intraoperative video frames from 21 liver cancer patients, where each video frame is annotated with a liver segmentation mask, and is accompanied by a preoperative 3D liver model segmented from CT images as well as the corresponding calibrated camera intrinsic parameter matrix. This dataset is utilized for performance evaluation of preoperative-to-intraoperative liver registration, aiming to address the challenges of 3D-2D registration in laparoscopic liver surgery.

搜集汇总

数据集介绍

构建方式

P2ILReg数据集的构建基于21例肝细胞癌患者的肝切除手术视频，从中提取了346个关键帧，并进行了详尽的标注工作。研究团队邀请了六名资深外科医生参与关键帧筛选和肝脏掩膜标注，其中四人负责标注，两人进行验证，确保了标注的准确性和一致性。此外，数据集还包含了从CT图像分割得到的术前3D肝脏模型、每帧校准的相机内参矩阵以及重建的肝脏3D点云。为了增强数据的多样性，研究团队从合作医院收集了15例手术案例，并重新处理了MICCAI 2022挑战赛中的6例案例。数据集的划分遵循临床研究的常规做法，将12例用于训练，4例用于验证，5例用于测试。

使用方法

P2ILReg数据集的使用方法主要围绕术前到术中的3D-2D配准任务展开。研究人员可以利用数据集提供的术前3D肝脏模型和术中2D腹腔镜图像，通过特征匹配和变形场估计来实现精确的图像融合。具体步骤包括：首先，使用深度预测模型从术中图像生成相对深度图，并结合标注的肝脏掩膜通过反投影得到3D点云；其次，通过主成分分析进行尺度一致性校准，消除重建点云的尺度不确定性；然后，采用特征解耦变换器进行刚性配准，恢复全局变换参数；最后，利用结构正则化的变形网络进行非刚性配准，调整术前模型以匹配术中肝脏表面。数据集的标注信息还可用于监督学习，通过计算投影掩膜与真实标注之间的Dice系数和Chamfer距离来评估配准精度。

背景与挑战

背景概述

P2ILReg数据集由香港理工大学和中国南方医科大学的研究团队于2025年创建，旨在解决腹腔镜肝脏手术中术前3D模型与术中2D图像配准的难题。该数据集包含21例肝癌患者的346个关键帧，提供肝脏分割掩膜标注和校准的相机内参，首次实现了基于自监督学习的无标记点配准框架Self-P2IR。作为IEEE Transactions on Medical Imaging的封面论文，该工作革新了传统依赖解剖标记点的配准范式，通过特征解耦变压器和结构正则化形变网络，将3D-2D配准转化为3D-3D点云配准任务，显著提升了手术导航系统的精度与鲁棒性。

当前挑战

该数据集主要应对两大挑战：领域层面，传统方法依赖易受遮挡影响的肝脏标记点定义（如肝韧带、轮廓等），且术中肝脏形变建模缺乏视觉信息整合；构建层面，需克服腹腔镜视野局限导致的肝脏表面部分可见性、器官纹理特征缺失以及气腹和器械操作引发的显著形变。具体挑战包括：1）在仅20%-50%肝脏表面可见条件下建立可靠配准；2）处理单目深度估计的尺度不确定性；3）消除合成数据与真实手术场景间的域差距；4）开发无需人工标注的自监督训练机制。

常用场景

经典使用场景

在腹腔镜肝切除手术中，P2ILReg数据集主要用于术前3D模型与术中2D图像的配准，通过将术前CT或MRI生成的3D肝脏模型叠加到术中腹腔镜图像上，帮助外科医生更清晰地感知肝脏的空间解剖结构，从而提高手术成功率。该数据集特别适用于研究无标记点的配准方法，避免了传统基于解剖标记点的工作流程中标记点定义模糊和视觉信息整合不足的问题。

解决学术问题

P2ILReg数据集解决了腹腔镜肝切除手术中术前到术中图像配准的两个主要学术难题：一是传统方法依赖解剖标记点，而标记点的模糊定义和术中肝脏部分可见性导致配准效率低下；二是现有技术在形状变形建模中未能充分利用术中肝脏的视觉信息，导致变形预测不准确。通过提供包含21例患者的346个关键帧、肝脏掩膜注释和校准相机内参的数据集，该数据集为无标记点配准算法的开发和验证提供了可靠的基础。

实际应用

P2ILReg数据集的实际应用场景主要集中在腹腔镜肝切除手术的增强现实导航系统中。通过将术前3D模型与术中2D图像精确配准，外科医生可以在手术过程中实时感知肿瘤与主要血管的相对位置，从而降低术后并发症的风险。此外，该数据集还可用于开发自动化手术辅助系统，减少对医生经验的依赖，提高手术的精确性和安全性。

数据集最近研究

最新研究方向

近年来，P2ILReg数据集在腹腔镜肝脏手术中的术前到术中配准领域引起了广泛关注。随着计算机视觉和深度学习技术的快速发展，基于无标记的自监督学习方法成为研究热点。该数据集通过提供包含21例患者的346个关键帧，以及肝脏掩膜注释和校准的相机内参，为3D-2D配准任务提供了重要支持。前沿研究主要集中在利用特征解耦变换器和结构正则化变形网络，实现从术前3D模型到术中2D图像的精准配准。这一技术不仅解决了传统基于解剖标记方法的局限性，还在增强现实手术导航系统中展现出重要的临床应用潜力。

相关研究论文

• Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection

  香港理工大学智能健康中心，香港中文大学计算机科学与工程学院，香港中文大学医学智能与XR研究所，南方医科大学肝胆胰外科 · 2025年