DSCA

DSCA数据集是由中国科学院宁波材料技术与工程研究所创建的，专注于数字减影血管造影（DSA）序列中的脑动脉分割。该数据集包含224个DSA序列，总计1792张图像，涵盖多种常见的脑血管疾病。数据集的创建过程涉及从多个成像设备收集数据，并通过专业神经外科医生的指导进行标注。DSCA数据集的应用领域主要集中在脑血管疾病的诊断和治疗，旨在通过精确的血管分割和分类，辅助医生进行疾病的量化和治疗规划。

The DSCA dataset was created by the Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences, focusing on cerebral artery segmentation in digital subtraction angiography (DSA) sequences. This dataset contains 224 DSA sequences with a total of 1792 images, covering a variety of common cerebrovascular diseases. The development of the DSCA dataset involved collecting data from multiple imaging devices and performing annotations under the guidance of professional neurosurgeons. The application scenarios of the DSCA dataset mainly focus on the diagnosis and treatment of cerebrovascular diseases, aiming to assist clinicians in disease quantification and treatment planning through accurate vascular segmentation and classification.

搜集汇总

数据集介绍

构建方式

DSCA数据集的构建过程首先从郑大一附院的术中及术后DSA影像中收集了58名患者的224个DSA序列，共计1792张左右和右半球的图像。这些序列包括三种不同的动脉：颈内动脉（ICA）、颈外动脉（ECA）和椎动脉（VA）。数据采集时间为2022年1月至2023年7月，所有数据均经过机构伦理委员会批准，并得到了参与者的同意。为了符合网络输入，所有DSA序列都被重采样到8帧。此外，数据集中的每个DSA序列都由五名经过完整培训的熟练临床医生手动注释MIP图像，包括对BV和MTA的特定标记。这些注释成为了DSCA数据集的金标准。

特点

DSCA数据集具有以下特点：1）样本数量庞大，涵盖了224个DSA序列；2）图像分辨率多样，适应了不同成像设备的采集特性；3）数据集是公开可用的，为研究人员提供了宝贵的研究资源；4）数据集中不仅包含了像素级的脑血管注释，还进一步细分为BV和MTA，这与临床分析的需求紧密相关。

使用方法

使用DSCA数据集时，研究者可以将其作为训练数据集，用于训练和验证基于深度学习的脑血管分割模型。由于数据集已经过精心设计和系统标注，因此可以保证训练模型的准确性和可靠性。此外，DSCA数据集还可以用于比较不同脑血管分割方法的性能，以及研究脑血管分割中的挑战和问题。

背景与挑战

背景概述

脑血管疾病是全球致残和死亡的主要原因之一。数字减影血管造影（DSA）序列被认为是诊断脑血管疾病的金标准，可以清晰地显示动态血流和脑血管内的病理状况。因此，精确分割脑血管（CA）并对其主干和分支进行分类对于医生准确量化疾病至关重要。然而，由于血管对比度低、血管与残留颅骨结构之间的模糊性，在DSA序列中实现精确的CA分割仍然是一项具有挑战性的任务。此外，缺乏公开可用的数据集限制了该领域的探索。在本文中，我们介绍了基于DSA序列的脑血管分割数据集（DSCA），这是第一个专门为像素级语义分割CA而设计的公开可访问数据集。此外，我们还提出了DSANet，这是一种用于DSA序列中CA分割的时空网络。与现有的仅关注单个帧的DSA分割方法不同，所提出的DSANet引入了一个独立的时空编码分支来捕获多个帧之间的动态血管细节。为了增强小血管分割并提高血管连通性，我们设计了一个新的TemporalFormer模块来捕获全局上下文和帧序列之间的相关性。此外，我们开发了一个时空融合（STF）模块来有效地集成编码器的空间和时域特征。广泛的实验表明，DSANet在CA分割方面优于其他最先进的方法，Dice系数达到0.9033。

当前挑战

DSA序列中CA分割的挑战包括小血管对比度低、血管与残留颅骨结构之间的模糊性，以及缺乏公开可用的数据集。此外，现有的方法通常仅限于在DSA序列中提取的单个帧上进行训练，导致微血管分割不稳定。DSANet旨在解决这些挑战，通过引入独立的时空编码分支来捕获动态的血管细节，并设计了一个新的TemporalFormer模块来捕获全局上下文和帧序列之间的相关性。此外，还引入了一个新的STF模块来有效地集成编码器的空间和时域特征。

常用场景

经典使用场景

DSCA数据集最经典的使用场景是在脑动脉分割领域。该数据集包含了224个DSA序列，涵盖了多种常见的脑血管疾病，如脑动脉瘤、 Moyamoya病等。通过这个数据集，研究人员可以训练和验证脑动脉分割模型，从而帮助医生更准确地诊断和治疗脑血管疾病。

实际应用

DSCA数据集的实际应用场景包括脑血管疾病的诊断和治疗。通过使用DSCA数据集训练的脑动脉分割模型，医生可以更准确地识别和评估脑血管疾病，例如脑动脉瘤、 Moyamoya病等。此外，该数据集还可以用于开发新的诊断和治疗方法，例如通过分析脑动脉分割结果来评估血栓溶解治疗的效果。

衍生相关工作

DSCA数据集的建立为脑血管疾病的诊断和治疗提供了重要的基础。基于DSCA数据集，研究人员已经开发了一系列的脑动脉分割模型，如DSANet。这些模型在脑动脉分割任务中取得了优异的性能，并已经在临床实践中得到了应用。此外，DSCA数据集的建立也促进了相关领域的研究，例如脑动脉分割模型的优化和脑血管疾病的早期诊断等。