VesselGraph

VesselGraph是一个包含17个全脑血管图的数据集，由慕尼黑工业大学等机构的研究人员创建。数据集提供了高分辨率的全脑血管结构图，用于支持机器学习和神经科学的交叉研究。数据集内容包括多种类型的血管图，如动脉、静脉和毛细血管，以及它们的详细特征。创建过程中，研究人员利用了先进的图像处理技术，如体积渲染引擎Voreen，确保了数据的高质量和可访问性。该数据集主要用于血管预测和分类等生物学相关任务，有助于深入理解脑血管疾病和功能。VesselGraph is a dataset containing 17 whole-brain vascular graphs, created by researchers from institutions such as the Technical University of Munich. The dataset provides high-resolution whole-brain vascular structure maps to support interdisciplinary research at the intersection of machine learning and neuroscience. Its contents cover various types of vascular maps, including arteries, veins, capillaries, as well as their detailed characteristics. During its creation, researchers utilized advanced image processing technologies such as the volume rendering engine Voreen to ensure the high quality and accessibility of the dataset. This dataset is primarily used for biology-related tasks including vessel prediction and classification, and helps gain in-depth insights into cerebrovascular diseases and brain functions.

搜集汇总

数据集介绍

构建方式

VesselGraph数据集的构建始于对全脑血管图像的高精度分割，这些图像来源于光片显微镜、双光子显微镜等公开数据集。研究团队采用Voreen（Volume Rendering Engine）框架，执行一个四阶段图提取流程：首先对二值化分割体积进行骨架化，利用Lee等人的拓扑细化算法；其次提取血管中心线并构建初始原型图；随后将原型图与分割体素进行分支映射；最后基于映射关系计算丰富的几何特征，如半径、曲率、体积等。通过多次迭代优化和修剪伪分支，并设定关键参数bulge size为3，确保了图的生物学保真度。最终，数据集包含来自不同小鼠品系和成像模态的17个全脑血管图及5个合成图。

特点

该数据集的核心特点在于其大规模、高保真的空间图结构，每个图包含数百万节点和边，节点代表血管分叉点或终点，边代表血管段。节点特征包括三维空间坐标和艾伦脑图谱中的71个脑区定位，边特征则涵盖半径统计量（最小、平均、最大半径及其标准差）、血管长度、曲率、横截面积等12种几何属性，为生物医学分析提供了丰富信息。此外，数据集创新性地提供了线图表示，将原始图中的边转化为节点，从而允许使用先进的节点分类算法进行血管属性预测。这种双重表示兼顾了直观性与算法兼容性，且所有数据均通过OGB和PyTorch Geometric数据加载器标准化发布。

使用方法

数据集的使用方法围绕两个基准任务展开：血管链接预测与血管节点分类。链接预测旨在纠正图提取中的连接错误，研究者可采用SEAL等图神经网络结合标记技巧，利用空间坐标特征预测缺失或错误的边。节点分类任务在线图表示上进行，依据血管最小半径将节点分为毛细血管、小动脉/小静脉及动脉/静脉三类，可应用Cluster-GCN、GraphSAGE等模型进行训练。数据加载支持OGB和PyTorch Geometric标准接口，用户可随机划分训练、验证和测试集（80/10/10），并利用提供的超参数搜索指南进行模型优化。所有代码和基线模型均开源于GitHub仓库。

背景与挑战

背景概述

VesselGraph数据集由慕尼黑工业大学、亥姆霍兹慕尼黑研究中心及苏黎世大学的研究人员于2021年共同创建，旨在为图学习与神经科学的交叉研究提供标准化的全脑血管图数据。该数据集基于先进的组织透明化成像技术，从小鼠全脑显微图像中提取出包含数百万节点和边的空间血管图，并整合了艾伦脑图谱的区域注释及丰富的几何特征。其核心研究问题在于，如何通过图表示来揭示脑血管网络的拓扑结构及其与神经退行性疾病（如阿尔茨海默病、中风）的关联。作为首个大规模、可复现的全脑血管图基准数据集，VesselGraph不仅推动了图学习算法在生物医学领域的应用，也为理解脑微血管结构与功能提供了关键资源。

当前挑战

VesselGraph面临多重挑战。首先，在领域问题层面，血管图学习需应对生物先验知识的融入难题，例如如何利用血管的层次化空间结构来改进链接预测（以修复成像与分割不完美导致的缺失连接）和节点分类（如根据管径区分动脉、小动脉与毛细血管），这对传统图神经网络构成显著考验。其次，在构建过程中，全脑成像的分辨率限制与组织透明化伪影导致分割不完美，进而影响图提取质量；基于拓扑细化的图抽取算法虽具鲁棒性，但仍存在对弯曲血管表达不足的局限。此外，数据集本身存在偏差，包括仅使用雄性小鼠样本、分割模型训练标签不完整，以及不同成像模态间的异质性，这些因素限制了其在血流动力学模拟等高度专业化任务中的直接应用。

常用场景

经典使用场景

在神经科学与图学习交叉领域中，VesselGraph数据集为研究全脑微血管网络的拓扑结构提供了前所未有的标准化图资源。该数据集基于小鼠全脑成像与分割技术，将庞大的血管系统抽象为包含数百万节点与边的空间图，其中节点代表血管分支点，边表征血管段，并附有丰富的几何与解剖特征。其最经典的使用场景在于作为图学习算法的基准测试平台，尤其适用于评估链接预测与节点分类任务在超大规模、稀疏且具有空间结构特性的生物图上的表现。

实际应用

在实际应用中，VesselGraph数据集为脑血管疾病的临床诊断与治疗规划提供了关键的量化工具。基于该数据集的图学习模型可辅助分析患者的血管造影图像，自动识别血管异常连接或管径变化，从而在中风急救中快速判断受累血管类型并优化介入方案。此外，该数据集还可用于血流动力的数值模拟，通过精确的血管拓扑与几何特征，支撑个性化脑血流动力学建模，为痴呆症、脑小血管病等慢性疾病的早期预警与疗效评估开辟新路径。

衍生相关工作

VesselGraph数据集的发布催生了一系列衍生研究工作，推动了图神经网络在生物医学领域的深度应用。其中，基于SEAL算法的高精度链接预测模型通过标签技巧实现了对空间血管图缺失连接的有效重建，显著优于传统启发式方法；而Cluster-GCN与GraphSAGE等模型在节点分类任务中展现了处理类别极度不平衡数据的优越性，为血管类型识别提供了鲁棒基准。此外，该数据集还启发了图可解释性研究，如利用GNNExplainer揭示模型预测所依赖的关键局部子图结构，进而深化对血管网络功能组织的理解。