PENGWIN 2024 challenge dataset

PENGWIN 2024挑战数据集是一个多机构合作创建的数据集，包含来自多个临床中心的150例CT扫描和利用DeepDRR方法生成的48000多张高质量的模拟X射线图像。该数据集的地面真相标注由医学专家半自动化验证，旨在推动 pelvic 骨折在CT和X射线图像中的自动分割技术的发展。数据集广泛应用于医学图像分析和骨科研究，解决的问题是提高pelvic骨折诊断和手术计划的准确性。

The PENGWIN 2024 Challenge Dataset is a dataset developed through multi-institutional collaboration. It includes 150 CT scans sourced from multiple clinical centers, as well as over 48,000 high-quality simulated X-ray images generated via the DeepDRR method. The dataset's ground truth annotations are semi-automatically verified by medical experts. Its core objective is to advance the development of automatic segmentation techniques for pelvic fractures in both CT and X-ray images. This dataset is widely utilized in medical image analysis and orthopedic research, aiming to improve the accuracy of pelvic fracture diagnosis and surgical planning.

搜集汇总

数据集介绍

构建方式

PENGWIN 2024挑战数据集构建采用了多中心临床CT影像与深度合成X射线相结合的策略。研究团队从中国六家医疗机构收集了150例骨盆骨折患者的术前CT扫描数据，涵盖多种骨折类型和设备型号，并通过分层随机抽样确保训练集与测试集的骨折类型分布一致。X射线数据则采用DeepDRR框架从CT数据生成48,600张模拟C臂X光图像，通过材料分解、射线追踪、散射估计和噪声注入等技术模拟真实术中条件，包括随机化的C臂角度和手术器械干扰。数据标注采用四步半自动化流程：先由预训练网络初步分割骨盆解剖结构，经人工细化后标记骨折碎片，最终由资深骨科专家验证，确保标注精度满足碎片级分割要求。

特点

该数据集的核心价值在于其多模态特性与临床复杂性：CT数据包含体素间距(0.83×0.83×0.89mm)的高分辨率扫描，覆盖3-12个碎片/例的骨折多样性；X射线数据通过物理模拟实现了448×448像素的投影图像，包含碎片重叠等真实术中挑战。独特的两级标注体系（按解剖部位分类后按碎片体积排序）支持精细的实例分割研究。数据规模方面，150例CT（100/20/30划分）与对应生成的48,600张X光图像（400:20/例）远超既往骨盆骨折研究的数据量，且通过多中心采集策略增强了泛化能力。特别设计的评估指标（IoU-F/HD95-F/ASSD-F等）能全面量化碎片分割与解剖结构分割性能。

使用方法

数据集支持两种主要应用模式：CT任务要求算法输入3D骨盆CT扫描，输出包含骶骨、髋骨及碎片的体素级分割掩膜；X射线任务则需从2D模拟X光图像生成像素级多标签分割。使用流程建议分三个阶段：预处理阶段需处理不同扫描仪产生的异质性数据；模型开发阶段推荐采用两阶段策略（先解剖结构分割后碎片分离），可借鉴优胜方案的边界-核心表示法或主-次碎片分类法；评估阶段应采用组织方提供的多指标测试方案，重点考察碎片级IoU与95%豪斯多夫距离。对于X射线任务，需特别注意投影叠加导致的碎片不可分性问题，建议结合多视角信息或术前CT先验知识提升性能。所有任务需在10分钟内完成单例推理，符合临床实时性要求。

背景与挑战

背景概述

PENGWIN 2024挑战数据集由国际医学影像计算与计算机辅助介入学会（MICCAI）2024年卫星会议组织，旨在推动骨盆骨折在CT和X光影像中的自动分割技术。该数据集由来自中国六家医疗中心的150例骨盆骨折患者的CT扫描组成，并利用DeepDRR方法生成了48,600张模拟X光图像，以模拟真实的术中C型臂成像条件。核心研究问题聚焦于如何在复杂的解剖结构和成像限制下，精确高效地分割骨折碎片，为创伤诊断、手术规划和术中导航提供支持。该数据集的创建汇集了来自全球多个顶尖研究机构的专家，包括北京航空航天大学、约翰霍普金斯大学和德国癌症研究中心等。其对医学影像分析和骨科手术领域的影响力体现在为深度学习算法提供了高质量的基准数据，促进了跨学科合作和技术创新。

当前挑战

PENGWIN数据集面临的挑战主要包括两方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，骨盆骨折的复杂解剖结构、骨折碎片的多样形状和位置，以及骨折表面的复杂性使得自动分割极具挑战性。特别是在X光影像中，重叠的解剖结构和有限的骨折线可见性进一步增加了分割难度。构建过程中的挑战包括数据收集的困难，由于骨盆骨折在所有骨折中仅占3%，获取足够数量的高质量CT扫描具有挑战性；以及标注过程中的不确定性，尤其是在处理不完全骨折时，专家需要判断是否将部分骨折但未移位的区域划分为两个独立碎片或单个碎片。此外，模拟X光图像虽然高度逼真，但仍与真实临床影像存在差距，限制了其直接临床转化的可能性。

常用场景

经典使用场景

PENGWIN 2024挑战数据集在医学影像分析领域具有重要应用价值，尤其在骨盆骨折的CT和X射线图像分割任务中表现突出。该数据集通过提供多样化的骨盆骨折CT扫描和模拟X射线图像，为研究人员开发自动化骨折分割算法提供了丰富的实验材料。数据集中的150例CT扫描涵盖了多种骨折类型和不同成像设备，确保了数据的多样性和代表性。在经典使用场景中，研究人员利用该数据集训练深度学习模型，如U-Net和Mask R-CNN，以实现骨盆骨折碎片的精确分割。这些模型在术前规划和术中导航中发挥了关键作用，显著提升了骨折诊断和治疗的效率。

衍生相关工作

PENGWIN数据集催生了多项创新性研究工作。在算法层面，参赛团队提出的ABBC（自适应边界核心表示）和主-次碎片分级分割策略已成为骨盆骨折分割的新范式。相关方法如MIC-DKFZ团队的动态边界厚度调整技术和SMILE团队的层次化分割框架，已被扩展应用于肋骨和脊柱骨折分割。数据集还促进了多模态融合技术的发展，如CT与X射线图像的联合分析。在临床工具开发方面，基于该数据的开源项目FracSegNet和TotalSegmentator骨盆模块已被集成到多个手术导航系统中。这些衍生工作不仅推动了医学图像分割领域的进步，也为其他解剖结构的骨折分析提供了方法论参考。

数据集最近研究

最新研究方向

近年来，PENGWIN 2024挑战数据集在医学影像分析领域引起了广泛关注，特别是在骨盆骨折分割的自动化和深度学习应用方面。该数据集通过提供150例CT扫描和48,600张模拟X射线图像，为研究人员提供了一个全面的基准测试平台。前沿研究方向主要集中在提高骨折碎片分割的准确性和鲁棒性，尤其是在复杂解剖结构和成像限制下的挑战。研究热点包括多阶段分割策略、边界核心表示法以及交互式分割方法的开发。这些技术的进步对于创伤诊断、手术规划和术中导航具有重要的临床意义，有望显著提升骨盆骨折治疗的精确度和效率。

相关研究论文

• Benchmark of Segmentation Techniques for Pelvic Fracture in CT and X-ray: Summary of the PENGWIN 2024 Challenge

  北京航空航天大学 · 2025年