2-PM Vessel Dataset

一个开源的体积性脑血管数据集，通过双光子显微镜在Sunnybrook Research Institute的Focused Ultrasound Lab获得。数据集包含12个体积堆栈，由小鼠脑血管和肿瘤血管的图像组成。

An open-source volumetric cerebrovascular dataset, acquired using two-photon microscopy at the Focused Ultrasound Lab of Sunnybrook Research Institute. The dataset comprises 12 volume stacks, consisting of images of mouse cerebrovascular and tumor vasculature.

原始信息汇总

vesselNN_dataset 概述

数据集来源

• 来源：Sunnybrook Research Institute 的 Focused Ultrasound Lab
• 作者：Dr. Alison Burgess, Charissa Poon 和 Marc Santos
• 隶属：University of Toronto

数据集内容

• 类型：开放源代码的脑血管体积数据集
• 获取方式：通过双光子显微镜获取
• 包含内容：共12个体积堆栈，包含小鼠脑部血管和肿瘤血管的图像

数据集结构

• denoised：包含使用BM4D去噪的输入堆栈，为多层8位TIFF格式
• experiments：包含VD2D-VD2D3D递归框架第一阶段的输出图像，以及两个子文件夹VD2D_tanh和VD2D3D_tanh，可直接用于推理或进一步微调
• labels：包含血管的体素级密集分割标签

未来更新计划

• 将添加原始的Poisson噪声污染堆栈，直接来自Olympus FV1000MPE多光子显微镜系统
• 计划在主仓库(vesselNN)中添加对TensorFlow、Theano和Caffe等常用框架的实现

参考文献

• Teikari, P., Santos, M., Poon, C., & Hynynen, K. (2016). Deep Learning Convolutional Networks for Multiphoton Microscopy Vasculature Segmentation. arXiv:1606.02382.

搜集汇总

数据集介绍

构建方式

2-PM Vessel Dataset的构建基于双光子显微镜技术，由多伦多大学附属Sunnybrook研究所的Focused Ultrasound Lab团队完成。该数据集包含12个容积堆栈，涵盖了小鼠脑部血管和肿瘤血管的图像。数据集的构建过程包括使用BM4D算法对原始图像进行去噪处理，生成多层8位TIFF格式的图像堆栈。此外，数据集还包含了通过VD2D-VD2D3D递归框架处理后的实验图像，以及血管的体素级密集分割标签。

特点

2-PM Vessel Dataset的特点在于其高分辨率的容积图像，能够清晰展示小鼠脑部及肿瘤血管的微观结构。数据集不仅提供了去噪后的图像堆栈，还包含了用于深度学习的实验图像和精确的血管分割标签。这些标签为血管的体素级分析提供了基础，使得该数据集在血管分割和深度学习模型训练中具有重要价值。

使用方法

2-PM Vessel Dataset的使用方法较为灵活，用户可以直接使用去噪后的图像堆栈进行血管结构分析，或利用实验图像进行深度学习模型的训练与推理。数据集中的标签文件可用于血管分割任务的监督学习。此外，用户还可以根据需要对VD2D和VD2D3D模型进行微调，以适应特定的研究需求。尽管目前数据集尚未集成到常见的深度学习框架中，但其开放的格式和详细的元数据为后续的开发和应用提供了便利。

背景与挑战

背景概述

2-PM Vessel Dataset是由多伦多大学附属Sunnybrook研究所的Focused Ultrasound Lab团队，在Alison Burgess博士、Charissa Poon和Marc Santos的领导下，于2016年创建的开源脑部血管数据集。该数据集通过双光子显微镜技术获取，包含12个容积堆栈，涵盖了小鼠脑部血管和肿瘤血管的图像。其核心研究问题在于利用深度学习卷积网络进行多光子显微镜下的血管分割，相关研究成果发表在arXiv预印本平台上。该数据集的发布为脑部血管研究提供了重要的数据支持，推动了深度学习在生物医学图像分析领域的应用。

当前挑战

2-PM Vessel Dataset在解决脑部血管分割问题时面临多重挑战。首先，血管结构的复杂性和低对比度使得精确分割变得困难，尤其是在肿瘤血管区域。其次，数据集的构建过程中，原始图像存在泊松噪声，需要通过BM4D去噪算法进行处理，这对数据质量和后续分析提出了更高要求。此外，尽管数据集提供了去噪后的图像和密集分割标签，但目前尚未支持主流深度学习框架（如TensorFlow、Theano和Caffe）的直接实现，限制了其在实际研究中的便捷性和扩展性。未来，如何优化数据预处理流程并增强框架兼容性，将是该数据集进一步发展的关键挑战。

常用场景

经典使用场景

2-PM Vessel Dataset在神经科学研究中扮演着重要角色，特别是在脑部血管网络的成像与分析领域。该数据集通过双光子显微镜技术获取，提供了小鼠脑部血管和肿瘤血管的高分辨率三维图像。研究人员可以利用这些数据进行血管网络的精确分割和三维重建，进而深入理解血管在脑部疾病中的变化及其对治疗的影响。

解决学术问题

2-PM Vessel Dataset解决了脑部血管成像中的多个关键学术问题。首先，它提供了高质量的血管图像，克服了传统成像技术中噪声和分辨率不足的难题。其次，该数据集通过深度学习卷积网络实现了血管的精确分割，为研究血管形态和功能提供了可靠的数据支持。这些成果推动了脑部血管疾病的研究进展，为相关疾病的诊断和治疗提供了新的思路。

衍生相关工作

2-PM Vessel Dataset的发布催生了一系列相关研究。例如，基于该数据集的深度学习卷积网络模型被广泛应用于血管分割任务，推动了医学图像处理技术的发展。此外，该数据集还被用于开发新的血管成像算法，进一步提升了血管成像的质量和效率。这些工作不仅扩展了数据集的应用范围，也为脑部血管研究提供了新的工具和方法。