BoneDat：面向骨科与进化生物学研究的标准化骨形态数据库构建及其在计算机模拟分析中的应用

为解决骨科和进化生物学研究中缺乏标准化骨形态数据集的问题，Petr Henys和Michal Kuchar团队开发了BoneDat数据库。该数据库包含278例临床腰骨盆CT扫描数据，通过半自动分割、形状归一化（SyN算法）和群体模板构建技术，提供了经空间标准化的骨几何形态（包括体积网格和参考模板）。研究显著提升了计算机模拟（in silico）的可重复性，为深度学习模型训练和生物力学分析提供了高质量基准数据集，相关成果发表于《Scientific Data》。

　　

研究背景与意义
在骨科和进化生物学领域，计算机模拟（in silico）已成为解析骨结构-功能关系的重要工具。然而，这一技术的潜力长期受限于高质量、标准化骨形态数据集的匮乏。现有研究面临三大挑战：一是临床CT扫描因设备和参数差异导致数据异质性；二是缺乏统一的空间参考模板，使得形态学比较和统计建模存在偏差；三是虚拟人群生成依赖小样本统计，难以覆盖真实解剖变异。这些问题直接影响了计算机模拟的可重复性和临床转化价值。

针对上述瓶颈，来自捷克理工大学Liberec分校和赫拉德茨克拉洛韦医学院的研究团队Petr Henys与Michal Kuchar，通过整合278例临床腰骨盆CT扫描数据，构建了首个标准化骨形态数据库BoneDat。该数据库不仅提供原始影像和分割掩模，还通过创新的形状归一化流程生成空间对齐的体积网格和群体平均模板，显著提升了形态学分析的可靠性。相关成果以数据论文形式发表于《Scientific Data》，为生物力学仿真、深度学习模型训练和进化解剖学研究提供了关键基础设施。

关键技术方法
研究采用多阶段技术路线：

1. 数据采集：回顾性收集278例16-91岁中欧人群腰骨盆CT（含骨盆、骶骨及L4/L5椎体），按性别和年龄分层平衡；
2. 半自动分割：基于Biomedisa稀疏插值算法，结合专家手动校正生成高精度骨分割掩模；
3. 形状归一化：采用ANTs库的SyN（对称归一化）算法，通过刚性-仿射-非线性三级配准将个体解剖对齐至群体模板；
4. 模板构建：迭代优化算法生成无偏群体平均模板，最小化整体形变能量；
5. 网格生成：基于GMSH创建模板体积网格（1 mm特征尺寸），通过形变场衍生个体化网格。

研究结果

Shape Normalization Robustness
通过合成数据验证配准精度：

• 平均配准误差仅0.006 mm（最大1.004 mm），骶髂关节区域误差较高（SD达3.507 mm）；
• 使用群体模板较单一样本模板误差降低80%（p<0.001），证实模板选择对精度至关重要；
• 互信息（MI）指标显示SyN配准后相似度提升30%（ΔMI=-0.246 vs -0.108）。

Volume Mesh Quality

• 形变衍生网格平均长宽比为2.5±1.5，符合有限元分析要求；
• 高形变区域（如耻骨联合）出现局部网格畸变（长宽比>4），但通过GMSH松弛算法可优化。

Dataset Usability Demonstration
复现Lorenzon等21项骨盆测量学参数：

• 13项直径和3角度测量与原始研究高度一致（如解剖真结合径：女性124.9±9.7 mm vs 文献126.2±8.6 mm）；
• 成功检测到11/16参数的性别差异（p<0.01），验证数据库的形态学分析效能。

结论与展望
BoneDat通过标准化数据采集、先进形状归一化技术和无偏模板构建，解决了骨形态学研究中的关键可重复性问题。其价值体现在三方面：

1. 方法学创新：首次将神经影像领域的SyN配准和KL展开（Karhunen-Loéve expansion）引入骨形态分析，实现亚毫米级空间对齐；
2. 应用广度：支持从传统生物力学（如骶髂关节力学环境分析）到新兴AI模型（深度学习分割算法训练）的多场景需求；
3. 扩展潜力：开放式架构允许整合其他数据集（如BMD测量），推动多模态研究。

未来工作需解决两点局限：一是通过体模校准提升CT值-BMD转换精度；二是扩展人群多样性（如非欧裔样本）。该数据库的发布标志着计算骨学研究向标准化、可重复性迈出关键一步，为个性化医疗和进化生物学研究奠定了数据基础。