TRUSTED数据集：首个公开的3D超声-CT配对肾脏分割与配准研究数据集及其临床转化价值

为解决腹部超声(US)与CT图像配准(IMIR)和分割研究缺乏公开数据集的瓶颈问题，法国斯特拉斯堡大学团队发布TRUSTED数据集，包含48例患者的96个肾脏配对3DUS-CT图像及专家标注。研究通过STAPLE算法生成金标准分割，验证了nnU-Net在CT/US分割中的最优性能(Dice 90.09%/80.70%)，并证明贝叶斯相干点漂移(BCPD)配准方法在4.47mm目标配准误差(TRE)下的优越性。该数据集为影像导航手术和机器人导航提供了关键基准。

　　

在医学影像领域，超声(US)因其便携、无辐射等优势广泛应用于临床，但存在操作依赖性强、图像噪声大等固有缺陷。而计算机断层扫描(CT)虽能提供高分辨率解剖结构，却无法满足术中实时引导的需求。如何实现这两种模态图像的精准配准(IMIR)，成为图像导航手术和机器人辅助治疗的关键挑战。更棘手的是，当前研究严重受限于缺乏公开的配对数据集——就像试图研发自动驾驶汽车却没有标准道路测试场景。

法国斯特拉斯堡大学William Ndzimbong领衔的跨国团队在《Scientific Data》发表的突破性研究，首次构建了TRUSTED（三维肾脏超声断层数据集）这一里程碑式资源。该数据集包含48例患者（96个肾脏）的配对3DUS-CT影像，由两位资深放射科医师进行双重标注，通过STAPLE算法融合生成金标准。研究团队不仅验证了数据质量（分割标注Dice一致性>93%），更通过系统性的方法基准测试，揭示了当前深度学习在跨模态肾脏影像分析中的性能边界与提升方向。

研究采用多中心前瞻性设计，在法国新民用医院(NHC)采集静脉期/门脉期CT（512×512×586±219体素，0.81mm各向同性分辨率）和3D超声数据（760×540×739±55体素，0.3mm分辨率）。关键技术包括：1）基于3D Slicer的双盲标注流程，标注7个解剖标志点并采用STAPLE（空间-时间自适应概率估计算法）融合分割；2）优化超参数β_US=2.5以处理超声标注差异；3）五折交叉验证评估4种分割模型（3DUNet/VNet/nnU-Net/CoTr）和4种配准方法/BCPD/iLNCC/TransMorph）；4）通过扰动初始化分析配准鲁棒性。

数据记录与质量控制
数据集采用NIfTI格式存储，包含CT_DATA和US_DATA两个主目录，每个病例包含原始图像、两位标注者的分割掩膜/标志点、STAPLE生成的金标准及对应网格。质量控制显示CT分割的标注间Dice达95.87±0.78%，优于US的93.45±2.09%，反映超声图像的固有挑战性。标志点定位误差在CT中为1.82-3.55mm，US中为2.23-3.78mm，其中肾盂中心(LM1)一致性最高。

自动分割性能验证
在最具挑战的US分割任务中，nnU-Net以80.70% Dice得分领先，但较人类标注者(93.8%)仍有显著差距。值得注意的是，使用双重标注训练("Double Target")相比STAPLE融合标签("Single Target")未显示显著优势（p=0.5），暗示标注不确定性可能未被有效利用。病例KDY_680L的定性分析揭示，肋骨声影导致的边界模糊会使所有模型性能下降，凸显超声伪影对算法的特殊挑战。

跨模态配准突破
在配准评估中，基于表面的BCPD方法在仿射变换下取得最佳平衡（TRE 4.47mm，Dice 84.10%），而Transformer架构的TransMorph虽在TRE(3.73mm)上占优，但局部对齐指标较差。初始化敏感性实验显示，当标志点噪声标准差(σ)从2mm增至10mm所有方法性能均急剧下降，强调临床实践中精准初始化的必要性。使用金标准分割时，BCPD的Dice可进一步提升至87.10%，证实自动分割质量是制约配准精度的关键瓶颈。

这项研究的意义远超数据集本身。首先，TRUSTED填补了腹部3D超声研究缺乏公开基准的空白，其双重标注设计为研究标注不确定性对算法的影响提供了独特资源。其次，研究揭示了当前最先进方法在US分割上的性能天花板（80.70% vs 人类93.8%），为改进方向提供了量化依据。更重要的是，通过证明配准精度与分割质量的高度相关性（Dice提升3%对应TRE降低0.37mm），强调了端到端系统优化的必要性。未来工作可扩展至肾病变分区标注、多中心数据采集，以及开发针对超声伪影的特异性算法。正如作者所言，这将加速"影像导航手术从实验室向手术室的最后一公里转化"。