UniToBrain

UniToBrain数据集是由都灵大学在DeepHealth项目框架下发布的开放源代码CT灌注图像（CTP）数据集。该数据集包含来自多个医疗机构的258名患者的灌注数据，数据通过回顾性研究从都灵健康与科学城的医院影像存档与通信系统（PACS）中获取。数据集不仅包括患者元数据，还提供了使用最先进算法获得的地面实况图。UniToBrain数据集旨在通过深度学习模型，实现对脑部血流灌注参数的快速准确诊断，特别是在缺血性卒中的紧急情况下，为治疗干预提供指导。

搜集汇总

数据集介绍

构建方式

UniToBrain数据集源自意大利都灵大学，收录了来自多家医疗机构的258例患者的CT灌注影像。数据从都灵Molinette医院的PACS系统中回顾性收集，所有流程均符合伦理标准。灌注图（CBF、CBV、TTP）通过标准空间预处理流程及基于Bennink等人开发的快速非线性回归方法计算，并进行了运动校正与双边滤波。数据集还提供了利用DeepHealth工具包编写的实用脚本，用于将DICOM格式数据转换为NumPy数组，并支持加载至EDDL或PyTorch深度学习框架。

特点

该数据集是首个公开的CT灌注开放数据集，包含超过百例患者的高质量影像及其元数据。每例患者在不同扫描高度和时间点获取多张CT切片，构成三维时间序列张量，输入深度达89层。数据集提供了经临床验证的金标准灌注图谱，涵盖核心与半暗带区域的关键参数。其独特之处在于无需动脉输入函数等额外信息，仅凭CT扫描图像即可通过深度学习模型生成临床相关的灌注参数图，为降低辐射剂量和优化采集协议提供了可能。

使用方法

研究者可使用提供的dicomtonpy.py脚本将DICOM文件转换为归一化的NumPy数组，随后通过dataloader_pyeddl.py或dataloader_pytorch.py加载至深度学习模型。推荐采用U-Net架构，以平均池化替代最大池化，并利用均方误差损失函数进行训练。预训练阶段在128×128分辨率下进行250轮，再微调至512×512分辨率50轮。模型输出为像素值在0到1之间的单通道灌注图，可直接与金标准图谱比较。完整代码示例可在GitHub仓库中获取。

背景与挑战

背景概述

UniToBrain数据集由意大利都灵大学神经科学系联合多家机构于2022年发布，是首个开源计算机断层扫描脑灌注（CTP）数据集。该数据集聚焦于缺血性卒中临床场景，旨在通过像素级脑血流动力学参数图（如脑血容量、脑血流量、达峰时间）的快速生成，辅助区分核心梗死区与半暗带区域，为急诊再灌注治疗决策提供关键依据。数据集包含258例多中心患者数据，并配套基于非线性回归算法生成的金标准灌注图及元数据，为医学影像分析领域提供了可复现的基准资源，同时推动了深度学习在降低辐射剂量与优化采集协议方面的研究。

当前挑战

该领域的核心挑战在于：1）脑灌注参数图的计算依赖时间-密度曲线反卷积算法，但现有商业软件存在非公开性及结果异质性，且对噪声、患者运动伪影敏感，导致临床可重复性不足；2）构建过程中需克服多中心数据异质性（如扫描参数、患者体位差异），并解决全分辨率训练时GPU内存消耗高、模型收敛缓慢的工程难题；3）深度学习方法虽能绕过人工特征提取，但需在无动脉输入函数辅助下保持灌注图生成精度，同时实现从低分辨率预训练到高分辨率微调的稳定迁移，以平衡计算效率与临床诊断可靠性。

常用场景

经典使用场景

在急性缺血性卒中的临床影像学评估中，UniToBrain数据集作为首个开源的CT脑灌注数据集，为研究者提供了标准化的脑血流动力学参数图谱生成平台。该数据集包含来自多医疗机构的258例患者的高质量CT灌注原始影像及经由非线性回归算法计算的金标准灌注图谱，涵盖脑血容量、脑血流量和达峰时间三个核心参数。经典使用场景聚焦于利用深度学习模型从时间序列CT扫描中直接合成灌注图谱，从而替代传统依赖动脉输入函数的去卷积算法，实现像素级别的快速、精准灌注参数估计。

解决学术问题

该数据集有效解决了脑灌注影像分析领域长期存在的两大核心学术问题：一是传统去卷积算法对噪声、运动伪影及患者间异质性敏感，导致图谱可重复性差；二是商业软件算法不透明，阻碍科研复现与比较。UniToBrain通过提供公开、标准化的金标准图谱与原始数据，使研究者能够客观评估不同深度学习方法在灌注参数估计中的表现，推动模型驱动与数据驱动方法的融合。其意义在于为缺血性卒中核心与半暗带区域的自动化分割奠定可靠基准，加速精准诊疗方案的循证研究。

衍生相关工作

UniToBrain数据集衍生了一系列具有影响力的研究工作。Gava等人率先基于该数据集提出U-Net架构的卷积神经网络，在不依赖动脉输入函数的前提下直接生成灌注图谱，验证了深度学习在灌注参数估计中的可行性。后续工作进一步探索了平均池化替代最大池化、多尺度预训练策略等模型优化方案，显著提升了图谱的Pearson相关系数与Dice系数。此外，该数据集被整合至欧洲DeepHealth工具包中，催生了基于ECVL与EDDL库的标准化数据处理与模型开发流程，为多中心、大规模脑灌注影像研究提供了可复现的技术框架。