Pulmonary Tree Repairing (PTR)

Pulmonary Tree Repairing (PTR)数据集由悉尼大学和瑞士洛桑联邦理工学院联合创建，包含800个完整的3D肺部结构模型，涵盖气道、动脉和静脉，以及合成的不连续数据。数据集通过从完整的肺部结构生成不连续数据来构建，用于训练神经网络以预测连接不连续组件的关键点。PTR数据集主要应用于解决肺部疾病诊断中的气道和血管不连续性问题，通过精确重建肺部树状结构，辅助临床诊断和治疗。

The Pulmonary Tree Repairing (PTR) dataset was jointly developed by the University of Sydney and École Polytechnique Fédérale de Lausanne (EPFL). It contains 800 complete 3D lung structural models, covering airways, arteries, veins, as well as synthetic discontinuous data. The dataset is constructed by generating discontinuous data from complete lung structures, and is designed to train neural networks to predict the key points for connecting discontinuous components. The PTR dataset is primarily applied to resolve the discontinuity problems of airways and blood vessels in pulmonary disease diagnosis, and assists clinical diagnosis and treatment by accurately reconstructing the pulmonary tree structure.

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，精准分割肺气道与血管对疾病诊疗至关重要。PTR数据集的构建基于800例肺部CT扫描，通过专业放射科医师对气道、动脉及静脉进行精细标注，形成完整的三维模型。为模拟实际分割中常见的断裂问题，研究团队设计了一套数据合成流程：利用VesselVio软件提取管状结构的中心线，随机选择分支并沿中心线采样两个关键点，再通过形态学操作生成接近真实的血管或气道断裂。最终数据集包含完整结构、合成断裂数据及对应的中心线与分支信息，为拓扑修复研究提供了高质量基准。

特点

PTR数据集在肺部影像分析中展现出独特价值。其核心在于覆盖气道、动脉与静脉三类管状结构，每类均提供800个完整三维模型及对应的合成断裂数据，规模庞大且标注精细。数据集不仅包含二值化分割掩码，还附有中心线坐标、分支端点及形态半径等几何信息，支持对管状拓扑结构的深入分析。断裂数据主要模拟细小血管的断开情景，贴近临床分割中的实际挑战，为评估修复算法提供了真实且可控的测试环境。

使用方法

该数据集适用于关键点检测任务，旨在修复断裂的肺管状结构。使用时，首先加载二值化体积数据与对应的JSON元数据，获取断裂组件及关键点坐标。研究通常基于合成断裂数据训练神经网络，如采用双通道3D U-Net，以断裂组件作为输入，预测连接断裂处的关键点热图。评估时，可使用自定义的OKS指标衡量关键点定位精度，并根据血管半径分级分析性能。数据已划分为训练、验证与测试集，支持端到端的模型开发与比较，为拓扑修复研究提供标准化基准。

背景与挑战

背景概述

在医学影像分析领域，肺部气道与血管的精确分割对于诊断慢性阻塞性肺病、肺栓塞等呼吸系统疾病至关重要。由悉尼大学与洛桑联邦理工学院的研究团队于2023年共同创建的Pulmonary Tree Repairing (PTR)数据集，旨在解决深度学习模型在分割肺部管状结构时出现的拓扑断裂问题。该数据集包含800例完整的肺部三维模型，涵盖气道、动脉与静脉结构，并提供了合成断裂数据，为核心研究问题——即通过关键点检测修复断裂拓扑——提供了基准。PTR数据集的发布推动了几何深度学习在医学形状分析中的应用，为临床诊断与手术导航提供了更可靠的辅助工具。

当前挑战

PTR数据集面临的挑战主要体现在两方面：其一，在领域问题层面，肺部管状结构的分割因外周支气管与血管的微小尺度与复杂分支形态，导致严重的类别不平衡与拓扑断裂，这直接影响了分割模型的临床可用性；其二，在构建过程中，由于缺乏公开的断裂标注数据，研究团队需设计合成管道从完整结构中生成断裂样本，同时需克服高分辨率CT数据的内存限制与关键点稀疏分布带来的训练困难，这些因素共同增加了数据集的构建复杂度与模型泛化难度。

常用场景

经典使用场景

在肺部医学影像分析领域，精确重建气道与血管的拓扑结构对于疾病诊断至关重要。Pulmonary Tree Repairing (PTR) 数据集通过提供800个完整的三维肺部模型及合成断开数据，为修复断开的气道与血管分支提供了基准。该数据集最经典的使用场景是训练深度学习模型进行关键点检测，以识别并连接分割结果中因类不平衡或细微结构导致的断开部分，从而提升肺部管状结构分割的连续性与完整性。

实际应用

在实际临床应用中，PTR 数据集支持计算机辅助诊断系统对肺部气道与血管进行高精度三维重建。例如，在虚拟支气管镜导航、肺叶切除手术规划以及慢性肺动脉高压的影像评估中，修复后的连通结构能够帮助医生更准确地识别病变区域，优化治疗路径。此外，该数据集还可用于开发自动化工具，以增强CT影像中细微支气管与血管的视觉化效果，从而辅助放射科医师进行快速、可靠的诊断决策。

衍生相关工作

基于PTR 数据集，研究者已衍生出多项经典工作，主要集中在改进关键点检测网络与拓扑修复算法上。例如，采用两通道3D-UNet架构以提升断开组件间的特征交互，以及利用热图回归策略优化关键点定位精度。这些工作进一步拓展至多断开组件处理、动静脉区分等复杂场景，并启发了结合点云表示与隐式形状学习的新方法，为肺部及其他器官的管状结构分析提供了可扩展的技术框架。