UltraBones100k:一种可靠的自动标记方法和大规模数据集,用于基于超声波的骨表面提取
Luohong Wu1, Nicola A Cavalcanti1, Matthias Seibold1
1Research in Orthopedic Computer Science, Balgrist University Hospital, University of Zurich, Lengghalde 5, 8008, Zurich, Switzerland.
Computers in biology and medicine
|June 5, 2025
概括
这项研究引入了一种用于创建大型超声波骨数据集的新方法,提高了细分的准确性和完整性. UltraBones100k数据集和训练有素的模型显著提高了医学成像中的骨细分.
科学领域:
- 医疗成像医学成像
- 整形外科手术 整形外科手术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 超声波骨分割对于计算机辅助的骨科手术至关重要.
- 超声波图像带来了诸如低信号噪声比率,声影和斑点噪声等挑战.
- 当前的深度学习模型需要广泛的手动标签,限制数据集大小和通用性.
研究的目的:
- 开发一种方法来自动生成ex-vivo超声数据集中的骨标签,包括无声区域.
- 创建用于超声波骨段的最大已知的数据集.
- 建立有效的模型基准,用于超声波骨细分.
主要方法:
- 提出了一种采集ex-vivo超声波数据集的方法,通过将跟踪CT模型叠加在超声波图像上,自动生成骨标签.
- 精制的标签,以考虑超声波物理.
- 在数据集上训练了一个神经网络,并将其预测与专家手册标签进行了比较.
主要成果:
- 收集了UltraBones100k,这是一个数据集,包含了10万张带有骨注释的活体超声波图像.
- 优化骨对齐显著改善了骨标签质量 (p<0.001).
- 在UltraBones100k上训练的模型表现优于手动标签,特别是在低强度区域 (例如,完整性提高320%).
结论:
- 开发的方法和数据集促进了超声波成像在计算机辅助干预中的研究和临床翻译.
- 这项工作支持2D骨分割,3D骨表面重建和多模式骨注册等应用.
- 这些发现有望推进超声波骨细分的最新技术.
