超声引导下骨表面自动标注新方法及大规模数据集UltraBones100k的构建与应用

针对超声骨分割依赖专家标注、数据集规模受限的难题，研究团队提出基于CT-超声配准的自动标注方法，构建了包含10万张下肢骨超声图像的UltraBones100k数据集。通过强度优化策略提升标注精度，训练模型在低信号区F1值提升197%，为计算机辅助骨科手术(CAOS)提供标准化数据基础。

　　

超声成像在骨科诊疗中具有无辐射、实时动态等优势，但受限于低信噪比、声学阴影等物理特性，骨表面分割始终面临巨大挑战。传统依赖专家手动标注的方法不仅成本高昂，且难以覆盖低信号区，导致深度学习模型泛化能力受限。更棘手的是，现有研究使用的私有小规模数据集（通常仅数百样本）和18种不统一的评价指标，严重阻碍了该领域的标准化发展。

苏黎世大学医院团队在《Computers in Biology and Medicine》发表的研究，创新性地提出基于光学追踪的自动标注框架。通过将术前CT骨骼模型与追踪超声图像空间配准，结合强度优化算法逐帧校正，成功构建包含14具尸体下肢10万张超声图像的UltraBones100k数据集——目前该领域最大规模的公开数据集。关键技术包括：1）采用冷冻人体下肢标本（155-185cm，41-76岁）通过SL18-5线性探头采集数据；2）开发基于微分进化的局部优化算法（λ=0.1）提升配准精度至0.481mm；3）应用入射角阈值（α≤85°）过滤不可见骨区；4）训练ResNet-U-net模型实现端到端分割。

【临床评估】
双盲评估显示优化后标注质量显著提升（p<0.001），专家评分从初始1.45分升至2.56分，优于传统CT-US全局配准方法（0.87分）。

【自动分割性能】
在0.5mm距离阈值下，模型整体F1达0.893，其中低信号区表现尤为突出：完整性（Com）提升320%至0.801，准确率（Acc）提高27.4%，显著超越人工标注水平。

【泛化能力验证】
尽管仅训练于下肢数据，模型在骨盆、股骨等新解剖部位（图8）及活体胫腓骨（图9）中仍保持优异分割能力，证实超声骨特征的跨解剖一致性。

这项研究突破了超声骨分割的数据瓶颈，其创新性体现在三方面：首先，自动标注方法解决了专家依赖性问题，使大规模数据生产成为可能；其次，强度优化策略首次实现低信号区（如声学阴影）的可靠标注；最后，公开数据集和预训练模型为领域建立统一基准。局限性在于离体数据与活体组织的声学特性差异，未来可通过迁移学习策略进一步优化。该成果将加速超声导航在骨折复位、脊柱机器人手术等CAOS场景的临床应用，推动多模态影像融合技术的发展。