DIAS

DIAS数据集是由北京邮电大学人工智能学院创建，专门用于DSA序列中的颅内动脉分割。该数据集包含120个序列，共计753帧高分辨率（800×800像素）图像，涵盖了从4到14帧的不同长度序列。数据集的创建过程涉及由神经外科医生对像素级别进行细致标注，确保了数据的高质量和准确性。DIAS数据集的应用领域包括计算机辅助的卒中研究和临床实践，特别是在量化血管形态学方面发挥关键作用。The DIAS dataset was developed by the School of Artificial Intelligence, Beijing University of Posts and Telecommunications, specifically for intracranial artery segmentation in DSA sequences. It includes 120 sequences, totaling 753 high-resolution (800×800 pixels) image frames, with sequence lengths ranging from 4 to 14 frames. The dataset creation involved meticulous pixel-level annotations performed by neurosurgeons, ensuring the high quality and accuracy of the data. Applications of the DIAS dataset cover computer-aided stroke research and clinical practice, where it plays a critical role particularly in quantifying vascular morphology.

搜集汇总

数据集介绍

构建方式

DIAS 数据集的构建采用了精细的像素级标注和两种弱监督标注方式。像素级标注由神经外科医生进行，确保了标注的准确性。为了降低标注工作量，同时保证标注质量，数据集提供了两种弱监督标注：SALE（Scribbles Annotation with Little clinical Experience）和 RDFA（Random Drawing based on the Full Annotation）。SALE 旨在模拟经验不足的标注者对粗血管进行标注，而 RDFA 则模拟随机标注的方式。此外，数据集还包含了 120 个序列（753 帧）的 DSA 图像，分辨率为 800×800 像素，涵盖了 4 到 14 帧，为算法开发和评估提供了丰富的数据基础。

特点

DIAS 数据集的特点在于其全面性、多样性和实用性。数据集涵盖了缺血性卒中治疗过程中获得的 DSA 图像，包含了 ICAS 和 MCAO 等病例。数据集的标注质量高，且包含了两种弱监督标注方式，为弱监督学习和半监督学习提供了便利。此外，数据集还包含了 2D+Time 图像，能够有效捕捉血管的空间和时间信息，为血管分割算法的研究提供了宝贵的数据资源。

使用方法

DIAS 数据集可用于血管分割算法的开发和评估。数据集已分为训练集、验证集和测试集，方便研究者进行模型训练和性能评估。数据集的标注方式多样，既可用于全监督学习，也可用于弱监督学习和半监督学习。此外，数据集还包含了 2D+Time 图像，可用于研究血管分割算法在处理时间序列数据方面的性能。

背景与挑战

背景概述

脑卒中是全球范围内导致死亡和长期残疾的主要原因之一。近年来，随着医疗和影像技术的进步，颅内动脉疾病（如颅内动脉狭窄、大脑中动脉闭塞和颅内动脉瘤）的死亡率有所下降。数字减影血管造影（DSA）作为一种影像学检查方法，通过捕捉一系列图像来观察对比剂在血管中的流动，从而有效地去除骨骼结构并增强对比剂填充血管的可见性。由于其优异的空间和时间分辨率，DSA 被广泛认为是研究病变血管结构、揭示动脉血供动力学和指导血管内干预的金标准。然而，DSA 中颅内动脉（IA）的自动分割对于量化血管形态至关重要，在计算机辅助中风研究和临床实践中发挥着至关重要的作用。目前，该领域的研究仍然受到限制，主要原因是研究社区缺乏公开的 IA 分割数据集。目前，主要的研究方法集中在使用内部数据集对单帧 DSA 进行分割。由于单帧 DSA 中对比剂的部分包含，这些方法在呈现血管结构方面存在挑战。在本文中，我们介绍了 DIAS，这是一个专门为 DSA 序列中的 IA 分割开发的 数据集。我们建立了一个全面的基准，用于评估 DIAS，涵盖了完全、弱和半监督分割方法。具体来说，我们提出了一种血管序列分割网络，该网络可以捕获血管内对比剂的时空表示，用于分割 DSA 序列中的血管。对于弱监督学习，我们提出了一种基于涂鸦学习的图像分割框架，该框架结合了涂鸦监督和一致性正则化。此外，我们引入了一种基于随机块的自训练框架，该框架利用未标记的 DSA 序列来提高分割性能。我们对 DIAS 数据集进行的广泛实验表明，这些方法作为未来研究和临床应用的潜在基线是有效的。数据集和代码将在 https://arxiv.org/abs/2306.12153v3 公开提供。

当前挑战

DSA 中颅内动脉（IA）的自动分割对于量化血管形态至关重要，在计算机辅助中风研究和临床实践中发挥着至关重要的作用。目前，该领域的研究仍然受到限制，主要原因是研究社区缺乏公开的 IA 分割数据集。此外，DSA 序列中血管分割的构建过程也面临挑战，包括颅内血管结构的复杂性和背景噪声的复杂性。因此，DSA 中颅内动脉分割数据集的创建和评估对于推动相关领域的研究和应用具有重要意义。

常用场景

经典使用场景

数字减影血管造影（DSA）序列中颅内动脉（IA）分割数据集（DIAS）的创建，旨在解决DSA图像中血管分割的难题，为计算机辅助的脑卒中研究和临床实践提供精确的血管形态量化。DIAS数据集包含120个DSA序列（753张图像），分辨率为800×800像素，涵盖了前后位和侧位视角。该数据集为研究者提供了像素级标注，以及两种形式的弱监督标注，支持全监督、弱监督和半监督分割方法的研究。

解决学术问题

DIAS数据集的创建解决了DSA图像中血管分割缺乏公开数据集的问题，为该领域的研究提供了可靠的基准。此外，DIAS数据集还针对DSA序列分割的独特挑战，如血管结构的时空信息捕捉和低对比度图像分割等，提出了针对性的解决方案，如VSS-Net、SSCR和RPST等，为未来算法开发提供了新的思路。

衍生相关工作

DIAS数据集的创建促进了DSA图像中血管分割领域的研究，衍生出了一系列相关的工作。例如，基于DIAS数据集，研究者提出了VSS-Net、SSCR和RPST等分割网络和方法，取得了显著的分割效果。此外，DIAS数据集还为弱监督和半监督分割方法的研究提供了新的思路，推动了该领域的发展。