AneuX

AneuX数据集是当前公开可用的最大颅内动脉瘤（IA）数据集，其中包含了位于大脑中动脉分叉处的116个动脉瘤。该数据集用于训练神经网络以预测动脉瘤中的血流动力学，这对于预测动脉瘤破裂风险至关重要。AneuG是一个基于两阶段变分自编码器（VAE）的生成模型，能够生成具有特定形态参数的颅内动脉瘤网格。该模型在第一阶段生成低维度的图形谐波变形（GHD）标记来编码和重建动脉瘤囊形状，并在第二阶段生成条件化的血管中心线和横截面。AneuG模型通过使用可微分的形态学标记计算器（MMC）进行训练，能够生成具有特定临床相关形态学参数的形状，这对于研究形态变化以及流体动力学模拟研究具有重要意义。

The AneuX dataset is the largest publicly available intracranial aneurysm (IA) dataset to date, containing 116 aneurysms located at the middle cerebral artery bifurcation. This dataset is used to train neural networks for predicting hemodynamics within aneurysms, which is critical for forecasting the rupture risk of intracranial aneurysms. AneuG is a generative model based on a two-stage variational autoencoder (VAE) that can generate intracranial aneurysm meshes with specific morphological parameters. In the first stage, the model generates low-dimensional Graph Harmonic Deformation (GHD) markers to encode and reconstruct the shape of the aneurysm sac, while in the second stage, it generates conditioned vascular centerlines and cross-sections. Trained using a differentiable morphological marker calculator (MMC), the AneuG model can generate shapes with clinically relevant specific morphological parameters, which is of great significance for researching morphological changes and hemodynamic simulation studies.

原始信息汇总

AneuG 数据集概述

数据集简介

• 目的：生成颅内动脉瘤(IA)的网格几何体，用于训练实时预测血流力的网络，辅助疾病进展研究。
• 挑战：现有统计形状生成方法难以捕捉IA细节特征，且忽略动脉瘤囊与母血管的关系。

方法亮点

两阶段生成模型

1. 第一阶段：

   • 使用变分自编码器(VAE)生成低维图谐波变形(GHD)令牌编码动脉瘤囊形状。
   • 通过形态能量对齐(MEA)提高生成保真度。

2. 第二阶段：

   • 基于生成的GHD令牌生成母血管空间中心线。
   • 通过可微分中心线提取(DCE)方法传播血管横截面。

关键组件

• 形态标记计算器(MMC)：

  • 支持可微分计算临床形态参数：纵横比(AR)、颈尺寸(NS)、穹顶体积(DV)、分叶指数(LI)。
  • 避免非物理性参数组合。

• 可微分中心线提取(DCE)：

  • 基于波传播方法提取血管中心线点云。
  • 应用于GHD拟合、第一阶段训练和第二阶段训练。

生成示例

• 第一阶段无条件生成：动脉瘤囊形状生成。
• 第二阶段无条件生成：完整动脉瘤复合体(含母血管)生成。

安装指南

• 生物力学研究人员：
  • 下载预训练模型：https://drive.google.com/file/d/1bPE5HPo9jxg5_TyPZcfuxBhSwJTJA1C_/view?usp=share_link
  • 解压至项目工作目录后运行second_stage.ipynb。

搜集汇总

数据集介绍

构建方式

AneuX数据集的构建采用了创新的两阶段变分自编码器（VAE）架构，专注于颅内动脉瘤（IA）及其母血管的三维网格生成。第一阶段通过图谐波变形（GHD）方法对动脉瘤囊形状进行编码，生成低维GHD令牌，并利用形态能量对齐（MEA）约束确保生成形状的生理真实性。第二阶段则基于GHD令牌生成母血管的中心线，并通过截面传播技术完成整体血管网络的构建。整个过程结合了可微分形态标记计算器（MMC），实现了对临床相关形态参数的精确控制。

使用方法

使用AneuX数据集时，研究者可通过指定临床形态参数（如aspect ratio=1.5）生成特定形状队列，适用于计算流体力学（CFD）模拟或深度学习训练。对于血流动力学研究，建议将生成的STL格式网格导入ANSYS Fluent或SimVascular等软件，保持入口流速1.2m/s的生理条件。在机器学习应用中，可直接加载GHD令牌作为输入特征，配合PyTorch-Geometric处理图结构数据。数据集的GitHub仓库提供了预训练VAE模型和形态参数控制接口，支持端到端的条件生成流程。

背景与挑战

背景概述

AneuX数据集由帝国理工学院和里斯本高等理工学院的研究团队于2025年提出，专注于颅内动脉瘤的三维几何建模。该数据集的核心研究问题在于解决颅内动脉瘤形态生成中的生理真实性问题，特别是动脉瘤囊与母血管的联合分布建模。在生物医学工程领域，AneuX首次实现了基于临床形态学参数的条件下生成动脉瘤网格，为血流动力学研究和破裂风险预测提供了重要基础。其采用的图谐波变形编码技术和两阶段变分自编码器架构，显著提升了小样本条件下的形状生成质量，推动了计算流体力学与神经放射学的跨学科研究进展。

当前挑战

AneuX数据集面临的主要挑战体现在两个维度：在领域问题层面，现有方法难以同时满足动脉瘤局部特征保真度与母血管拓扑一致性，导致生成的血管网络缺乏生理合理性；在构建过程层面，小样本数据（仅116例）对深度生成模型的训练构成严峻考验，需通过形态能量对齐等创新约束来维持统计分布真实性。此外，临床形态参数（如长宽比、分叶指数）的精确控制要求开发可微分的形态标记计算器，这对网格参数化与微分几何处理提出了极高要求。数据稀缺性与形态复杂性共同构成了该数据集的核心技术壁垒。

常用场景

经典使用场景

在医学影像分析与计算流体力学研究中，AneuX数据集为颅内动脉瘤的三维形态建模提供了关键支持。该数据集通过捕捉动脉瘤囊与母血管的联合几何分布，使得研究人员能够生成具有生理真实感的血管网络模型。其经典应用场景包括训练神经网络预测血流动力学特征，为动脉瘤破裂风险评估提供量化依据。

解决学术问题

该数据集有效解决了小样本条件下颅内动脉瘤形态学建模的难题。通过图谐波变形编码和形态学标记条件生成，突破了传统方法无法控制特定临床形态参数的局限。其创新性的两阶段变分自编码架构，为理解动脉瘤形态特征与血流动力学关联提供了可控研究平台，推动了精准医疗在脑血管疾病领域的发展。

实际应用

在临床实践中，AneuX支持个性化动脉瘤治疗方案的制定。通过生成特定形态参数的血管模型，医生可预演不同介入手术效果。工业界将其用于血流模拟设备的验证，医疗器械公司借助该数据集优化血流导向装置的设计。疫情期间，其生成的合成数据还缓解了真实患者数据获取的伦理与隐私限制。

数据集最近研究

最新研究方向

近年来，AneuX数据集在颅内动脉瘤（IA）形态学建模与血流动力学预测领域展现出显著的研究价值。该数据集通过两阶段变分自编码器（VAE）框架AneuG，首次实现了对动脉瘤囊袋与载瘤血管联合分布的深度学习建模，解决了传统方法因忽略解剖关联性导致的生理真实性不足问题。其创新性体现在基于图谐波变形（GHD）的形态编码技术，能够精准控制临床关注的形态学参数（如纵横比、颈宽等），为探究动脉瘤形态-血流动力学关联提供了可控生成平台。当前研究热点集中于利用该数据集开展多参数条件生成实验，通过模拟不同形态特征对壁面剪切力的影响，深化对动脉瘤破裂机制的理解。这一技术突破不仅填补了医学影像数据稀缺的空白，更推动了计算流体力学与临床神经介入治疗的交叉融合，为个性化风险评估工具的开发奠定了理论基础。

相关研究论文

• Two-Stage Generative Model for Intracranial Aneurysm Meshes with Morphological Marker Conditioning

  伦敦帝国学院, 葡萄牙里斯本高等技术学院 · 2025年