VerSe

该数据集旨在对CT扫描中的椎体进行定位、标注和分割，扫描范围不限。数据集包含了带有椎体解剖标签的实例图，涵盖了103位受试者，每幅扫描图含有5至25个实例（平均值为13.08，标准差为5.416）。该任务属于多类别实例分割。

This dataset is intended for localizing, annotating, and segmenting vertebrae in CT scans, with no limitations on the scan scope. It includes instance maps with anatomical labels for vertebrae, covering 103 subjects. Each scan contains 5 to 25 instances, with a mean value of 13.08 and a standard deviation of 5.416. This task belongs to multi-class instance segmentation.

搜集汇总

数据集介绍

构建方式

VerSe数据集的构建依托于大规模脊椎分割挑战赛，其核心在于通过人机混合标注策略实现高质量注释。该数据集汇集了来自355名患者的374例多探测器CT扫描，总计标注了4505个椎体。初始注释由自动化算法生成，随后经过五名训练有素的医学生进行初步修正，并由三位经验丰富的放射科医师进一步审核与精炼，最终由一位拥有19年脊柱影像经验的专家核准。这一分层标注流程不仅确保了注释的准确性与一致性，还显著提升了数据集的临床可信度。

使用方法

VerSe数据集的使用主要围绕脊椎标注与分割两大核心任务展开。研究者可通过公开的数据分割方案，在训练集上开发与优化算法，随后在公开测试集与隐藏测试集上进行性能验证。数据集中提供的椎体中心点坐标与体素级分割掩码，支持采用识别率、定位距离、Dice系数及Hausdorff距离等多维度指标进行综合评估。此外，数据集的开放访问与标准化评估脚本，极大地促进了不同算法间的公平比较与可重复性研究。

背景与挑战

背景概述

VerSe（大规模椎体分割挑战）数据集于2019年首次发布，由慕尼黑工业大学等多家国际研究机构联合创建，旨在解决医学影像中脊柱椎体自动标注与分割的核心研究问题。该数据集包含374例多探测器CT扫描，涵盖355名患者，总计标注了4505个椎体，是当前公开数据中规模最大、标注最精细的脊柱CT数据集之一。其创建背景源于脊柱影像分析在临床诊断、手术规划及骨骼健康研究中的关键作用，而此前公开数据稀缺且规模有限，严重制约了算法研发与验证。VerSe通过与国际医学图像计算与计算机辅助干预会议（MICCAI）合作举办挑战赛，推动了数据驱动方法在脊柱处理领域的应用，显著提升了椎体定位与分割技术的准确性与鲁棒性，为相关研究提供了重要的基准平台。

当前挑战

VerSe数据集面临的挑战主要体现在两大方面：在领域问题层面，椎体标注与分割需应对脊柱解剖结构的高度变异性和影像采集协议的多样性，例如椎体形状相似、视野范围差异、以及骨折、金属植入物等病理情况的干扰，这导致算法在识别罕见解剖变异（如过渡椎T13/L6）时表现不稳定。在构建过程中，数据标注面临巨大挑战：手动完成体素级标注耗时极长且易出现不一致性，因此采用人机混合标注流程，先通过自动化算法生成初始标注，再由医学专家迭代修正，但此过程仍需协调多名标注者以确保精度，并需处理多中心、多扫描仪带来的数据异质性。此外，数据集中异常案例的有限代表性也增加了算法泛化难度，需通过扩充样本平衡临床分布。

常用场景

经典使用场景

在医学影像分析领域，VerSe数据集作为脊椎标注与分割的基准测试平台，其经典应用场景集中于评估自动化算法在复杂多探测器CT图像中对椎体进行精确定位与分割的性能。该数据集通过提供大规模、多中心的临床CT扫描，并辅以专家级体素级标注，为研究者构建了一个高度仿真的实验环境，用以验证模型在存在解剖变异、金属植入物、椎体骨折等多种挑战性条件下的鲁棒性。

解决学术问题

VerSe数据集有效解决了脊椎影像分析中长期存在的若干学术难题：首先，它通过提供374例多中心CT扫描，显著缓解了该领域公开标注数据稀缺的困境，为数据驱动方法提供了充足的训练资源；其次，数据集涵盖广泛的视野范围、扫描协议及病理情况，使得算法能够针对椎体标记与分割任务中的域适应性问题进行深入探索；尤为重要的是，该数据集首次系统性地纳入了过渡椎（如T13、L6）等罕见解剖变异，推动了对算法在异常解剖结构上泛化能力的研究，为临床可靠系统的开发奠定了实证基础。

实际应用

在实际临床场景中，VerSe数据集所支撑的算法技术已逐步转化为脊柱疾病诊断与手术规划的重要辅助工具。基于该数据集训练的自动化系统能够高效完成全脊柱CT图像的椎体识别与分割，为椎体骨折的检测与分级、脊柱侧弯与后凸等畸形的量化评估提供精准解剖参考。此外，分割结果可直接用于有限元生物力学分析、椎体植入物手术的虚拟规划，以及骨质疏松等群体性骨骼健康研究，显著提升了放射科医师的工作效率与诊断一致性，具有明确的临床转化价值。

数据集最近研究

最新研究方向

在医学影像分析领域，VerSe数据集作为首个大规模、多中心、多厂商的脊柱CT标注基准，推动了脊椎自动标注与分割算法的前沿探索。当前研究聚焦于提升算法在复杂解剖变异（如过渡性椎体T13/L6）与病理条件（如骨折、金属植入物）下的鲁棒性，通过多阶段深度学习架构（如空间配置网络与U-Net结合）实现从粗到细的脊椎定位与分割。热点方向包括三维上下文建模、少样本异常检测以及领域自适应策略，以应对临床数据中的视野差异与扫描协议多样性。这些进展不仅优化了手术规划与骨质疏松评估的辅助决策，也为跨模态脊柱影像分析奠定了算法基础，具有重要的临床转化潜力。

相关研究论文

• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images

  · 2022年