AcuSim：基于合成数据的头颈部针灸穴位三维定位数据集与深度学习验证

本研究针对传统针灸穴位定位依赖专家经验、数据标注成本高且缺乏多样性等问题，开发了首个大规模合成数据集AcuSim。通过自动渲染管道生成504个解剖模型和63,936张RGB-D图像，标注174个三维穴位点（11M标注量），采用VGG19网络实现99.73%定位准确率，92.86%预测误差<5mm，为中医针灸自动化提供了标准化数据基础。

　　

针灸作为传统中医(TCM)的重要治疗手段，其疗效高度依赖于穴位的精准定位。然而，由于人体解剖结构的个体差异（如身高、体重、脂肪比例等），穴位位置存在显著变异。当前临床实践面临三大痛点：专家依赖性强导致培训成本高昂、现有数据集规模有限（最大仅28K标注）、现有技术多局限于二维定位且缺乏角度感知能力。更棘手的是，真实人体图像采集涉及伦理隐私问题，而传统手工标注每个穴位需耗时5-10分钟——这些因素严重制约了中医针灸的现代化发展。

针对这些挑战，西交利物浦大学智能计算学院的研究团队创新性地采用计算机图形学与深度学习融合的方法，开发了名为AcuSim的合成数据集。该研究通过构建504个光真实感头颈部模型（涵盖6种发型、3种体型、2种眼睑状态），结合自动渲染管道生成63,936张1024×1024分辨率的RGB-D图像，实现了174个三维穴位的精确定位（总标注量达11,126,952个）。研究采用VGG19网络进行验证，在测试集上达到99.73%的准确率，其中92.86%预测点与专家标注的偏差小于临床可接受的5mm阈值。这项发表于《Scientific Data》的工作，首次实现了头颈部穴位定位从经验依赖到数据驱动的范式转变。

关键技术方法包括：1）基于DAZ Studio的解剖建模系统，通过Genesis技术创建具有BMI验证（ρ=985kg/m³）的多样化人体模型；2）发射掩膜(emissive masking)阈值分割技术，实时生成穴位二值掩膜；3）三维到二维坐标转换框架（公式1-5），实现18.5像素/5mm的空间精度映射；4）多层感知机(MLP)架构，结合可见性先验的损失权重衰减机制（权重0.1）。

在数据生成方面，研究团队通过域随机化(domain randomization)策略创建了14（性别）×6（发型）×3（体型）×2（眼睑状态）的模型组合。每个模型采用"指寸法"定位穴位，并通过表面原点附着(surface-origin attachment)技术将穴位点自动适配到不同体型网格。值得注意的是，穴位被建模为跨越皮肤表面的球体（而非二维点），以更好反映临床穿刺的立体特性。

图像采集系统设计了4种俯仰角（0°、±30°、60°）和36个旋转角（每10°一帧）的多视角拍摄方案。通过自动遮挡过滤算法（基于法向量夹角θ的余弦值判定），有效剔除了被头发或身体遮挡的穴位点，确保训练数据质量。统计显示，该流程使标注效率提升约200倍，单个穴位标注时间从人工5分钟缩短至1.5秒。

模型验证环节采用分层多任务学习架构，将174个穴位按9条经络分组预测。创新性地引入"相机-身体方向偏差"(Camera-Body Orientation Deviation)指标，发现预测偏差与表面法向量呈强负相关（ρ=-0.997）。双因素方差分析显示，不同穴位位置间的偏差具有显著统计学差异（F=44.587, p<0.001），而模型间的差异不显著（F=0.504, p=0.869），证实了合成数据的解剖一致性。

在临床应用验证中，三位中医专家对随机10个模型的13个关键穴位进行人工标注。结果显示，模型预测与专家标注的中位偏差仅为2.1mm，显著优于传统二维定位方法。特别在LI20（迎香穴）和DU29（印堂穴）等面部穴位上，定位精度达到亚毫米级。不过也发现SI18（颧髎穴）等位于复杂解剖区域的穴位偏差较大（约4.3mm），这为后续研究指明了改进方向。

这项研究的突破性意义体现在三个方面：首先，AcuSim填补了中医数字化领域缺乏高质量标注数据的空白，其数据规模是既往最大数据集的397倍；其次，提出的三维容积标注方法和自动渲染管道，可扩展至全身361个标准穴位的建模；最后，验证的深度学习框架为开发实时针灸导航系统奠定了基础。团队已公开数据集和代码（DOI:10.5061/dryad.zs7h44jkz），包括Blender渲染脚本和TensorFlow训练模块。

当然，研究也存在一定局限：合成数据到真实场景的泛化能力有待验证；当前仅测试了VGG19架构；部分深层穴位（如GB1瞳子髎）的定位精度仍需提升。作者计划通过稳定扩散(Stable Diffusion)技术增强数据多样性，并探索ConvNeXT等新型网络架构的适用性。这些进展将推动针灸治疗从"经验医学"向"精准医学"的跨越，为中医现代化提供关键技术支撑。