股骨颈骨折AI分型缺高质量数据？多视角CT影像数据集与专家标注方法解读

西南大学团队在 Scientific Data 发布股骨颈骨折 Garden 分型多视角 CT 影像数据集：1579 名患者、19940 张 CT 衍生图像，覆盖轴位/冠状位/三维容积渲染三类视角，每类均配原始图与去内固定物遮挡图；由两位高级骨科医师独立标注、主任医师裁定分歧（Cohen's κ=0.82），并在去遮挡子集上验证 CNN 与 Transformer 架构分类 AUC 均超 0.96。

股骨颈骨折是老年人最常见的髋部骨折之一，Garden 分型（Ⅰ—Ⅳ 型）直接决定治疗方案——Ⅰ、Ⅱ 型（无移位/不完全移位）多倾向内固定，Ⅲ、Ⅳ 型（明显移位）则常需人工关节置换。但这一分型长期依赖医生对 X 光或 CT 的主观判断，观察者间一致性并不理想，同一张片子不同医生可能给出不同分型。AI 辅助分型一直被寄予厚望，卡点却不在算法，而在缺一份公开、经专家标注、多视角的标准化骨科影像数据集。西南大学团队近期在 Scientific Data 发布的股骨颈骨折 Garden 分型多视角 CT 影像数据集，正是冲着这个空白来的。

股骨颈骨折Garden分型多视角CT影像数据集封面概念图（蓝色临床科技风格）

研究背景：股骨颈骨折分型为什么"千人千面"？

Garden 分型的核心，是判断骨折断端有没有发生明显移位。有没有移位、移位到什么程度，决定了患者该上螺钉还是换关节，一步判断失误，可能带来二次手术或过早置换。

但这条判断链有几个固有难点：

视角单一：临床常看的正位、侧位片只能反映二维投影，髋关节的三维空间关系容易被遮挡、重叠掩盖；
主观依赖强：不同年资医生对"移位程度"的把握不同，分型一致性历来是骨科的"老大难"；
缺公开基准：过去研究用的多是私有小样本数据，方法之间没法公平比较，也难以跨机构复现。

一句话，问题不在"没有算法"，而在"没有一份大家都认、都拿得到的高质量数据"。这正是这份数据集想补上的关键一块。

创新点：多视角 + 去遮挡，一份"能直接拿来训练"的医学影像数据集

这份数据集的价值，可以用三个设计要点概括：

三视角立体呈现：覆盖**轴位 CT、冠状位 CT、三维容积渲染（3D VR/MIP）**三类主流阅片视角，贴近医生真实的读片习惯，而不是只给单一平面图；
原始图 + 去遮挡图成对提供：髋部骨折患者常已做过内固定手术，金属内固定物会在影像上产生伪影遮挡。团队对每类视角都提供了"原始图像"与"去除内固定物遮挡图像"的配对版本，让模型既能学真实临床场景，也能学干净解剖结构；
患者层面划分：训练/验证/测试按患者切分（比例约 7:1.5:1.5），从根上杜绝"同一患者的不同切片泄漏到测试集"这类数据污染。

整体规模上，数据集包含 1579 名患者、19940 张 CT 衍生图像，分布在六类图像中（三类视角 × 原始/去遮挡两种形态），并且完全匿名化、附完整元数据，配套预处理、去遮挡与划分的复现代码。

数据集构建方法：医学影像标注数据如何做质控？

医学影像标注数据能不能用，取决于标注流程是否规范、分歧是否有裁决机制。这份数据集的做法相当严谨：

环节	做法	质控意义
采集与纳排	回顾性螺旋 CT，按统一纳入/排除标准筛选，伦理批准编号 No.2024(Research)-024	保证样本同质、来源合规
独立双标注	两位高级骨科医师独立判断 Garden 分型	消除单人主观偏差
分歧裁决	标注不一致的病例由骨科主任医师裁定	形成"金标准"标签
一致性检验	Cohen’s κ = 0.82（95% CI 0.78–0.86）	用客观指标量化标注可靠性
去遮挡质控	遮挡区域分割 Dice = 0.962，去遮挡图像解剖合理性经专家确认	保证修复后的图像不失真

其中去遮挡是技术含量最高的一步：团队先用分割模型高精度勾出内固定物的遮挡区域（分割精度 Dice 达 0.962），再用修复算法补全被遮挡的解剖结构和骨折线细节，最后让专家确认补全结果的解剖合理性——不是"抹掉金属了事"，而是"抹掉之后骨头该长啥样还长啥样"。

配套的结构化元数据文件把每张标注图像与它的 garden_type（分型）、split（数据划分）、view_type（视角）、遮挡状态一一对应，让后续研究者能像查表一样检索、复现，而不是拿到一堆"没头没尾"的图片。

数据说话：去遮挡子集上分类 AUC 超 0.96

团队在冠状位去遮挡子集上做了基准分类实验，结果相当有说服力：

代表性的卷积神经网络（CNN）架构和基于 Transformer 的架构，受试者工作特征曲线下面积（AUC）均超过 0.96；
这一结果说明，数据集本身具备足够的判别信号，让不同流派的方法都能学到稳定、可比的股骨颈骨折分型能力；
配合患者层面划分与高一致性标签，这份基准可以成为后续算法"同台竞技"的公共标尺。

值得强调的是，0.96 的 AUC 不是"算法有多牛"的炫耀，而是"数据有多干净"的证明——一份标签可靠、划分合理的公开数据集，才配得上成为社区共同的比较基准。

应用前景与局限

这份数据集打开了几条明确的应用路径：

AI 辅助骨折分型：直接支撑 Garden 分型自动分类模型的训练与评测，缓解急诊、基层阅片压力；
去遮挡方法研究：原始/去遮挡配对图像，为"内固定物伪影去除"这一细分任务提供了现成的训练与验证素材；
骨科影像的公共基准：多视角、高一致性、患者级划分，让它有望成为股骨颈骨折 AI 研究的"标准题"。

局限也要说清楚：

单病种、单部位：聚焦股骨颈骨折，结论能否迁移到转子间骨折等其他髋部损伤，仍需验证；
单中心来源：数据来自重庆地区合作医疗机构，跨地域、跨设备的泛化性有待外部数据检验；
去遮挡有局限：修复算法补全的结构虽经专家确认，但在极端伪影或罕见解剖变异下仍可能失真。

结论

股骨颈骨折的 Garden 分型，是一个"看着简单、做起来难"的临床判断。这份 Scientific Data 数据集用 1579 名患者、19940 张多视角 CT 图像、双专家独立标注 + 主任医师裁决、Cohen’s κ=0.82 的质控，把"缺高质量骨科影像数据"这个老问题往前推了一大步，并用去遮挡子集上超 0.96 的分类 AUC，证明了数据集本身的可用性。

它的启示很朴素：一份能落地的医学影像数据集，靠的不是图片数量堆砌，而是"多视角、成对去遮挡、患者级划分、可复现的标注流程"这些工程细节。 当骨科 AI 有了公认的"标准题"，从论文到临床的那条路，才会真正短下来。

参考文献

Wu M, Ma Y, Li Y, Zhou J, Zhu Y, Chen S. A multi-view imaging dataset for Garden classification of femoral neck fractures. Scientific Data, 2026. DOI: 10.1038/s41597-026-08452-0
Garden R S. Low-angle fixation in fractures of the femoral neck. Journal of Bone and Joint Surgery British Volume, 1961, 43B(4): 647-663. DOI: 10.1302/0301-620X.43B4.647
Smith M, McGuinness M B, Wright C, et al. Deep learning for classification of hip fractures: a systematic review. Injury, 2021, 52(8): 1957-1965. DOI: 10.1016/j.injury.2021.04.051

← 返回行业趋势

论文标题	A multi-view imaging dataset for Garden classification of femoral neck fractures（股骨颈骨折 Garden 分型多视角影像数据集）
作者	Meiyan Wu、Yuqi Ma、Yuheng Li、Jun Zhou、Yongjun Zhu、Shanxiong Chen（通讯作者 Shanxiong Chen）
机构	西南大学（牵头），联合重庆地区合作医疗机构
期刊	Scientific Data（Nature Portfolio）
发表时间	2026 年 10 月 8 日
DOI	10.1038/s41597-026-08452-0
数据获取	Zenodo 平台（CC BY 4.0），DOI: 10.5281/zenodo.18947087