UltraBones100k

UltraBones100k是一个包含10万张人类下肢骨超声图像的数据集，由苏黎世大学医院Balgrist的骨科计算机科学研究室创建。该数据集通过将跟踪的CT骨模型自动标注到超声图像上，包含了标注的骨标签，旨在用于下肢长骨表面分割的超声图像分析。数据集的构建考虑了超声物理特性，并通过优化管道显著提高了骨标签的质量。该数据集的应用领域为计算机辅助的正畸手术，有助于推动超声成像在临床干预中的应用研究。UltraBones100k is a dataset containing 100,000 ultrasound images of human lower extremity bones, developed by the Orthopedic Computer Science Laboratory at Balgrist University Hospital, University of Zurich. The dataset includes automatically annotated bone labels generated by projecting tracked CT bone models onto corresponding ultrasound images, and is designed for ultrasound image analysis tasks targeting surface segmentation of long bones in the lower extremities. The construction of this dataset accounts for the physical properties of ultrasound imaging, and an optimized processing pipeline is employed to significantly improve the quality of the bone annotations. UltraBones100k is applied in the field of computer-assisted orthodontic surgery, and aims to promote the applied research on ultrasound imaging in clinical interventions.

搜集汇总

数据集介绍

构建方式

UltraBones100k数据集的构建方法涉及使用人体下肢尸体的超声图像，并利用CT扫描得到的骨模型自动生成骨标签。首先，在尸体上安装光学跟踪标记和K线以稳定骨骼和跟踪超声波探头。然后，通过CT扫描获取高分辨率的骨模型，并在Mimics软件中生成骨分割。接着，使用追踪的超声波设备进行扫描，记录超声波图像和跟踪数据。最后，通过将CT骨模型与超声波图像叠加，并优化对齐以生成初始骨标签，再通过考虑超声波物理特性进行细化，得到最终的骨标签。

使用方法

使用UltraBones100k数据集的方法包括下载数据集和预训练的模型，然后在超声波图像上使用这些模型进行骨分割。用户可以选择使用预训练的U-Net模型，也可以在数据集上训练自己的模型。在使用模型进行骨分割时，可以根据需要设置距离阈值，以评估模型的准确性和完整性。此外，数据集还提供了评估指标的计算公式，包括距离阈值准确性、完整性和F1分数，以便用户可以量化模型的性能。

背景与挑战

背景概述

在计算机辅助骨科手术中，基于超声的骨骼表面分割具有至关重要的意义。然而，超声图像存在信号噪声比低、声影和斑点噪声等局限性，使得图像解读变得困难。现有的深度学习模型主要依赖于专家进行的昂贵的手动标注，这限制了数据集的大小和模型的泛化能力。此外，超声物理的复杂性和声影使得图像难以被人类解读，导致低强度和无回声区域标签不完整，限制了模型的性能。为了推动超声骨骼分割技术的发展并建立有效的模型基准，需要更大规模和更高质量的数据集。UltraBones100k数据集的创建旨在解决这些问题，它是由瑞士苏黎世大学附属巴尔格里斯医院骨科计算机科学研究组的研究人员于2025年创建的。该数据集包含10万个带有骨骼标签的人体下肢超声图像，这些标签是通过将跟踪的骨骼CT模型准确地叠加到跟踪的超声图像上自动生成的。UltraBones100k数据集的创建对于推动超声骨骼分割技术的发展具有重要意义，并为相关领域的研究提供了宝贵的资源。

当前挑战

UltraBones100k数据集的创建过程中面临的主要挑战包括：1) 解决领域问题的挑战：由于超声图像的低信号噪声比、声影和斑点噪声等局限性，使得骨骼分割变得困难。2) 构建过程中所遇到的挑战：自动生成骨骼标签的过程需要精确地将跟踪的CT骨骼模型叠加到超声图像上，并且需要考虑超声物理的影响，以生成更精确和完整的标签。此外，数据集的创建还需要进行临床评估，以确保生成的骨骼标签的质量。

常用场景

经典使用场景

在骨科手术的辅助中，基于超声的骨表面分割对于计算机辅助正骨手术至关重要。然而，超声图像存在局限性，包括信噪比低、声影和斑点噪声，这些都使得解释变得困难。现有的深度学习模型主要依赖于专家的手动标注，限制了数据集的大小和模型泛化能力。此外，超声物理的复杂性和声影使得图像难以解释，导致低强度和无回声区域的标签不完整，限制了模型的性能。为了推进超声骨分割的技术水平并建立有效的模型基准，需要更大规模和更高质量的超声图像数据集。

解决学术问题

UltraBones100k数据集通过自动生成骨标签来解决学术研究问题，包括利用CT模型叠加到超声图像上来解决低强度骨区域识别的问题。通过这种自动化的方法，数据集可以提供更精确和更完整的标签，从而提高模型的性能。此外，该数据集还解决了手动标注成本高、数据集规模小的问题，使得研究者和临床医生可以更好地利用超声图像进行诊断和手术规划。

实际应用

UltraBones100k数据集的实际应用场景广泛，包括但不限于骨科手术的辅助诊断、手术规划、手术导航和术后评估。通过深度学习模型在UltraBones100k数据集上的训练，可以实现对骨表面的精确分割，从而提高手术的准确性和安全性。此外，该数据集还可以用于开发新的超声图像处理算法，进一步提高超声图像在临床诊断和治疗中的应用价值。

数据集最近研究

最新研究方向

UltraBones100k数据集在超声骨表面分割领域的最新研究方向，主要涉及利用自动生成的骨标签来提升模型在低强度区域的表现，并通过优化CT与超声图像的配准过程来提高骨标签的质量。该数据集的构建为计算机辅助骨科手术中超声成像的研究和应用提供了有力的支持，有望推动超声骨分割技术在临床干预中的转化应用。

相关研究论文

• UltraBones100k: An Ultrasound Image Dataset with CT-Derived Labels for Lower Extremity Long Bone Surface Segmentation

  苏黎世大学医院Balgrist骨科计算机科学研究室，苏黎世大学，瑞士 · 2025年