高分辨率超声数据集助力AI精准分割小鼠脑胶质瘤边界

本研究针对胶质母细胞瘤(GBM)手术中肿瘤边界实时分割的难题，开发了首个公开的GL261小鼠脑瘤超声数据集。团队通过定制化64阵元相控阵超声系统获取1,856张高分辨率图像（含1,448张肿瘤图像），采用多轮专家标注验证（Dice系数达88-90），为AI模型训练提供高质量基准数据，推动术中精准消融技术发展。

　　

胶质母细胞瘤(GBM)作为最具侵袭性的脑肿瘤，患者五年生存率不足7%，手术切除的边界界定一直是神经外科的"阿喀琉斯之踵"。传统MRI引导虽能提供解剖定位，但无法满足实时术中导航需求，而超声成像虽具实时优势，却受限于组织对比度不足导致的边界模糊问题。更棘手的是，肿瘤细胞常以单个细胞形式浸润正常脑组织，形成肉眼不可见的"幽灵边界"，这使得即使是最有经验的外科医生也难以完全清除肿瘤细胞，导致高达90%的复发率。

针对这一临床痛点，加拿大达尔豪斯大学(Dalhousie University)生物医学工程学院的研究团队Jeremy Brown课题组另辟蹊径，将目光投向高频超声与人工智能的交叉领域。他们在《Scientific Data》发表的突破性研究，首次建立了面向AI训练的GL261小鼠脑瘤超声图像数据库，包含1,856张经多模态验证的高分辨率图像，为开发实时术中分割算法奠定了数据基础。这项研究不仅填补了该领域公共数据集的空白，更通过创新的多角度采集和专家共识标注体系，将肿瘤边界的超声识别精度提升至Dice系数0.88-0.90水平。

研究团队采用三项核心技术：首先，使用定制化30MHz高频相控阵探头（轴向分辨率40μm）通过颅骨开窗进行多平面扫描；其次，建立五名学生标注+双专家验证的层级质控流程，并融合对应切片的MRI和H&E染色结果进行空间配准；最后，通过分层抽样选取30张涵盖2.2-5.0mm不同直径肿瘤的图像进行标注一致性评估。

【背景与摘要】
研究证实GL261小鼠模型能高度模拟人类GBM的侵袭特性，而超声在监测治疗反应和引导组织消融方面具有独特优势。但现有分割方法依赖耗时的手工标注，本研究提供的标准化数据集包含1,448个肿瘤和408个正常组织样本，可显著加速AI算法开发。

【方法】
通过立体定位注射GL261细胞建立小鼠肿瘤模型，采用3T MRI每周监测直至肿瘤达2-3mm后转超声成像。创新性开发64阵元相控阵系统（中心频率30MHz），配合Sagacity软件平台实现128线扫描。标注阶段采用半自动工具进行像素级分割，并通过空间变换实现超声与组织切片的解剖结构对齐。

【数据记录】
数据集包含PNG格式的原始图像（780×900像素）及对应二值掩模，按成像平面和活体状态分类存储。特别提供增强处理视频便于动态特征分析，所有数据均标注小鼠ID、肿瘤直径和性别等元数据。

【技术验证】
通过双盲评估证实标注可靠性：专家修正后的分割结果与学生初始标注的Dice重叠度达0.88±0.05，且不同大小肿瘤的识别稳定性无显著差异。图4展示典型病例中多标注者共识边界与金标准的空间一致性。

【使用说明】
数据集支持端到端的机器学习流程，配套标注软件提供交互式肿瘤轮廓勾画功能。需注意超声图像特有的混响伪影和栅瓣效应可能影响边缘检测，建议结合MRI坐标信息进行多模态融合分析。

这项研究的里程碑意义在于：首次实现GBM超声特征与组织病理学的定量关联，为开发机器人辅助消融系统提供关键导航数据。其构建的标准化评估框架（如分层抽样验证策略）更为医学图像分析领域树立了新标杆。未来通过迁移学习，该数据集有望推动临床超声导航系统的精度突破，使"亚毫米级"肿瘤边界实时识别成为可能，从根本上改变GBM手术的范式。