Ultrasound Medial Elbow Dataset

Ultrasound Medial Elbow Dataset是由筑波大学研究团队创建的一个用于测量肘关节空间的超声图像数据集。该数据集包含4,201张来自22名受试者的超声图像，图像中标注了肱骨和尺骨的关键点。数据集的创建过程在三位骨科医生的监督下进行，确保了标注的精确性。该数据集主要用于诊断尺侧副韧带（UCL）损伤，通过自动化测量肘关节空间来评估关节的稳定性，旨在提高早期诊断的准确性和效率。

Ultrasound Medial Elbow Dataset is an ultrasound image dataset developed by the research team at the University of Tsukuba for measuring the elbow joint space. It comprises 4,201 ultrasound images acquired from 22 subjects, with key points of the humerus and ulna annotated within each image. The dataset was curated under the supervision of three orthopedic surgeons to guarantee the precision of annotations. This dataset is primarily intended for the diagnosis of ulnar collateral ligament (UCL) injuries: it enables automated measurement of the elbow joint space to evaluate joint stability, with the goal of enhancing the accuracy and efficiency of early clinical diagnosis.

原始信息汇总

Ultrasound Medial Elbow Dataset

数据集描述

该数据集包含超声图像中的肘部内侧标志点，所有标志点均位于肱骨或尺骨上，具体包括：

1. 肱骨滑车的远端
2. 尺骨冠状突的近端
3. 肱骨内侧上髁的尖端
4. 肱骨内侧上髁与尺侧副韧带交界的深层
5. 肱骨内侧上髁的远端
6. 肱骨滑车高回声线中心与点1相邻的近端点
7. 尺骨冠状突高回声线中心与点2相邻的远端点
8. 尺骨冠状突的远端

数据集可用性

该数据集将在相关论文发表后公开发布。

许可证

该数据集使用Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) 许可证。详细信息请访问：https://creativecommons.org/licenses/by-nc/4.0/

搜集汇总

数据集介绍

构建方式

该数据集的构建过程严谨且细致，涵盖了从数据采集到标注的多个环节。研究团队从22名参与者中收集了4,201张超声图像，这些图像通过高频线性探头（11 MHz）获取，并由两名经验丰富的骨科医生进行操作。为了确保图像质量，参与者在检查过程中保持肘部90度弯曲，探头在肘内侧进行逐步移动。所有图像均经过手动标注，标注内容包括肱骨和尺骨的关键点，特别是用于测量关节间隙的远端肱骨滑车和近端尺骨冠状突。这些标注在三名骨科专家的监督下完成，确保了数据的准确性和可靠性。

特点

该数据集的显著特点在于其高精度的标注和多样化的应用场景。数据集包含了4,201张超声图像，涵盖了22名不同年龄和性别的参与者，确保了数据的多样性和代表性。标注内容不仅包括用于关节间隙测量的关键点，还涵盖了其他六个与骨结构相关的点，这些点对于超声图像的解读至关重要。此外，数据集的构建过程中采用了先进的深度学习模型进行评估，如HRNet、ViTPose等，进一步验证了数据集在自动化关节间隙测量中的潜力。

使用方法

该数据集可广泛应用于医学影像分析和深度学习模型的训练与验证。研究者可以通过该数据集训练和评估各种基于深度学习的关节间隙测量模型，如HRNet、ViTPose等。数据集的标注信息可用于热图生成、关键点检测以及形状子空间优化等任务。此外，数据集还可用于开发基于点提示的骨骼分割算法，如SAM2，进一步扩展其在医学影像处理中的应用。通过该数据集，研究者能够实现高精度的关节间隙测量，从而为早期诊断和干预提供有力支持。

背景与挑战

背景概述

超声波医学影像在临床诊断中具有重要地位，尤其在骨科领域，超声波成像技术被广泛应用于运动员的肘关节内侧检查。Ulnar Collateral Ligament（UCL）损伤的早期识别对于运动员尤为关键，而通过超声波图像测量肘关节间隙是评估肘关节外翻不稳定性的重要手段。然而，目前尚无公开的数据集支持这一自动化测量过程。为此，Shizuka Akahori等人于2024年创建了Ultrasound Medial Elbow Dataset，该数据集包含来自22名受试者的4,201张肘关节内侧超声图像，并由三位骨科专家监督进行精确的标志点标注。该数据集的推出填补了这一领域的空白，为自动化测量和UCL损伤的诊断提供了宝贵的资源。

当前挑战

构建Ultrasound Medial Elbow Dataset面临多重挑战。首先，超声波图像中常见的伪影和噪声使得精确测量变得困难，尤其是骨骼形状在不同个体间的差异性增加了测量的复杂性。其次，数据集的构建需要高超的技术技能，包括超声波设备的操作和图像采集，同时还需要严格遵守伦理标准，确保受试者的隐私和知情同意。此外，标志点的标注需要专业知识，以确保标注的准确性和可靠性。最后，由于超声波图像的边界模糊，尤其是在骨骼结构中，如何确保自动化测量方法的精确性是一个亟待解决的问题。

常用场景

经典使用场景

超声波内侧肘部数据集（Ultrasound Medial Elbow Dataset）主要用于通过超声图像测量内侧肘关节空间，以评估尺侧副韧带（UCL）损伤的风险。该数据集的经典应用场景是通过深度学习模型自动检测和标注肘关节的关键点，特别是肱骨和尺骨的远端和近端点，从而实现对关节空间的精确测量。通过这些关键点的检测，研究人员可以自动化地评估肘关节的稳定性，尤其是在运动员中常见的UCL损伤的早期诊断。

解决学术问题

该数据集解决了在超声图像中自动测量肘关节空间的关键学术问题。传统的测量方法依赖于手动标注，容易受到人为误差的影响，且效率低下。通过引入深度学习模型，如HRNet、ViTPose等，该数据集能够实现高精度的关键点检测，显著提高了测量的准确性和效率。这不仅为UCL损伤的早期诊断提供了新的工具，还为其他关节疾病的自动化诊断提供了参考。

衍生相关工作

基于该数据集，研究人员开发了多种深度学习模型，如HRNet、ViTPose等，用于关键点检测和关节空间测量。这些模型不仅在肘关节超声图像中表现出色，还被应用于其他医学图像的分析，如膝关节、肩关节等。此外，该数据集还启发了基于形状子空间（Shape Subspace）的点集优化方法，进一步提高了关键点检测的精度。这些衍生工作为医学图像分析领域提供了新的思路和方法。