TN-Reg-Benchmark

该数据集是一个面向三叉神经痛诊疗的MRI-MRA配准评估基准，由约翰霍普金斯大学研究团队构建。数据集纳入了149例微血管减压术患者的术前结构MRI与TOF-MRA影像，并包含临床专家在MRI上标注的298个双侧三叉神经ROI，其中血管标注仅覆盖与神经相关的临床感兴趣区。数据回顾性采集自2019至2022年，经过严格筛选与预处理，最终形成分析队列。该基准专用于评估局部ROI中心配准方法在神经血管可视化中的表现，旨在解决传统全脑配准评估无法反映临床相关小区域融合质量的问题。This dataset is a benchmark for MRI-MRA registration evaluation in the diagnosis and treatment of trigeminal neuralgia, developed by a research team from Johns Hopkins University. It encompasses preoperative structural MRI and TOF-MRA images from 149 patients who underwent microvascular decompression surgery, as well as 298 bilateral trigeminal nerve ROIs manually annotated by clinical experts on MRI, where vascular annotations only cover the clinically relevant regions of interest associated with the nerve. The data was retrospectively collected between 2019 and 2022, underwent rigorous screening and preprocessing, and ultimately formed the final analysis cohort. This benchmark is specifically designed to evaluate the performance of local ROI-centered registration methods in neurovascular visualization, aiming to resolve the issue that traditional whole-brain registration assessment fails to reflect the fusion quality of clinically relevant small regions.

原始信息汇总

数据集概述

本仓库是论文 "Evaluation Principles for MRI–MRA Registration in Trigeminal Neuralgia: An ROI-Centered Neurovascular Benchmark"（投稿至 IEEE Transactions on Medical Imaging）的官方代码与基准测试资源。该工作由约翰霍普金斯大学的研究团队完成，聚焦于三叉神经痛（TN）场景下的 MRI–MRA 图像配准问题，提出了一种以 ROI（感兴趣区域）为中心的神经血管配准评估框架。

该仓库不包含任何患者影像数据，数据来源于 IRB 监管的临床影像队列，仅通过路径引用方式供用户在自己的数据上运行代码。研究队列规模为 149 例患者，影像采集时间跨度为 2019 年 10 月至 2022 年 12 月。

---

核心任务与方法

将三叉神经痛的 MRI–MRA 融合问题建模为 ROI 中心的神经血管配准评估 问题，并系统评测了六种具有代表性的配准流程。评估维度包括：

• 基于局部图像的配准指标
• 基于分割的血管定位指标
• 预测体积分析
• 对比度分层与视场（FOV）分层比较

---

六种配准方法

方法	类别	外部依赖
ANTs Affine	仿射配准	ANTs CLI
ANTs SyN	经典可变形配准	ANTs CLI
ConvexAdam	基于优化的配准	MIR + PyTorch
FireANTs	基于优化的配准	fireants, GPU
EasyReg	学习型配准	FreeSurfer ≥ 7.4
SynthMorph	学习型配准	FreeSurfer ≥ 7.4

---

仓库结构

preprocessing/ DICOM→NIfTI RAS 归一化、脑掩膜生成、ROI 自动裁剪 Baseline_Methods/ 每种配准方法对应一个子文件夹 eval/ ROI 中心评估包（指标、表格、图像） visualization/ 逐例渲染工具 labels/ 构建三叉神经质心索引 reader_study/ 盲法阅片研究数据包构建 analysis/ FOV 元数据与补充表 S1 tools/ 环境与系统信息采集 results/ 论文中的汇总结果图与指标表

---

影像采集参数（N = 149 例患者）

参数	结构 MRI（CISS 类型）	TOF-MRA
制造商（Siemens / GE）	146 (98.0%) / 3 (2.0%)	146 (98.0%) / 3 (2.0%)
最常见机型	Skyra 115 (77.2%)	Skyra 112 (75.2%)
场强（3.0 T / 1.5 T）	138 (92.6%) / 11 (7.4%)	137 (91.9%) / 12 (8.1%)
TR（ms）	5.45 [5.43, 5.46]	22.00 [22.00, 22.00]
TE（ms）	2.42 [2.41, 2.43]	3.78 [3.78, 3.78]
DICOM 层厚（mm）	0.60 [0.60, 0.60]	0.50 [0.50, 0.60]
面内间距（mm）	0.597 [0.597, 0.597]	0.260 [0.260, 0.288]
层间距（mm）	0.594 [0.594, 0.594]	0.500 [0.500, 0.600]
中位矩阵尺寸	254 × 256 × 164	646 × 768 × 165
研究日期范围	2020-01-05 至 2022-12-20	2019-10-08 至 2022-12-20

---

运行环境

软件版本

组件	版本
Python	3.10.19
PyTorch	2.10.0+cu128 (CUDA 12.8)
ANTs	2.6.2
FireANTs	1.0.0
EasyReg / SynthMorph	FreeSurfer 8.1.0
VesselFM	v1.0（dyn_unet_base，无重新训练）

硬件配置

• 2× AMD EPYC 9354（共 128 线程）
• 1.5 TB RAM
• 8× NVIDIA RTX PRO 6000 Blackwell（各 96 GB）

GPU 加速方法（ConvexAdam、FireANTs）需要 CUDA GPU；ANTs 和 FreeSurfer 方法在 CPU 上运行并可多核并行。

---

数据组织与运行方式

所有脚本通过环境变量 REG_ROOT 解析数据路径，可选环境变量包括：

• REG_ROOT — TN 配准数据根目录
• VFM_ROOT — VesselFM 分割结果目录（可选，用于 Track B）
• MIR_SRC — MIR 工具箱源码目录（用于 ConvexAdam）

运行流程分为三步：预处理（RAS 归一化、脑掩膜、ROI 自动裁剪）→ 配准（逐方法执行）→ ROI 中心评估（计算指标、生成表格与图像）。

---

外部依赖安装说明

部分组件不在 PyPI 上，需单独安装：

• MIR — ConvexAdam 依赖的第三方医学图像配准工具箱，从 https://github.com/junyuchen245/MIR 安装
• ANTs — 需将 antsRegistration / antsApplyTransforms 加入 PATH
• FreeSurfer ≥ 7.4 — 提供 SynthMorph（mri_synthmorph）与 EasyReg（mri_easyreg）
• VesselFM — 用于 Track B 的下游血管分割，在每例扭曲后的 MRA 上运行生成 *_vessel_mask.nii.gz

---

许可与版权

仓库以研究用途发布，具体许可条款见 LICENSE 文件。该工作为约翰霍普金斯大学出版物，版权 © 2026 The Johns Hopkins University，保留所有权利。

搜集汇总

数据集介绍

构建方式

该基准数据集基于149例接受微血管减压术的三叉神经痛患者的术前影像，包含结构性MRI与TOF-MRA配对扫描。 clinicians在结构MRI上标注双侧三叉神经感兴趣区（ROI），每个ROI为48×48×48体素的三维裁剪块，中心位于三叉神经池段，并包含神经与血管的逐体素标签，其中血管标签仅标注与神经临床相关的部分。通过严格的预处理流程，包括格式转换、脑掩膜估计及空间对齐，最终构建了298个ROI的数据集。

特点

该数据集的核心特点在于其以临床相关的局部ROI为中心，而非全脑对齐。标注的血管段为部分标注，仅覆盖临床相关区域，与MRA全脑血管分割形成对比。此外，数据集包含了多样的FOV覆盖和局部MRA对比度差异，反映了真实临床场景中的变异。这些特性使得传统的全脑配准评估方法不再适用，突出了局部、血管感知、对比度敏感和FOV感知的评估需求。

使用方法

该数据集可用于评估多种MRI-MRA配准方法，包括传统方法（如ANTs SyN）和学习型方法（如SynthMorph）。使用时，需将MRA配准到MRI空间，然后在ROI内计算多种指标，如血管AUC、ROI NMI和基于分割的血管邻近度距离。建议联合报告预测血管体积、对比度分层和FOV兼容性，以避免单指标误导。代码已公开于GitHub，便于复现和扩展。

背景与挑战

背景概述

TN-Reg-Benchmark数据集由约翰霍普金斯大学的研究团队于2026年创建，旨在解决三叉神经痛（TN）术前评估中MRI与TOF-MRA图像配准缺乏专用基准的问题。该研究由电气与计算机工程系及数据科学与AI研究所的Peirong Liu教授领导，联合神经外科团队，基于149例TN患者的298个双侧三叉神经感兴趣区（ROI），构建了一个以临床相关区域为中心的神经血管配准评估基准。该数据集的核心研究问题在于，传统的全脑配准评估方法无法准确反映MRI-MRA融合图像在评估神经血管压迫（NVC）时的有效性，因为临床关注的重点是三叉神经周围的小范围ROI，而非整个大脑。通过系统性评估六种代表性配准流程，该数据集揭示了局部图像相似性、血管分离度与下游血管定位等指标之间的一致性不足，为TN特异性配准方法的发展提供了重要的评估标准。

当前挑战

TN-Reg-Benchmark数据集面临多重挑战。首先，在领域问题层面，MRI-MRA配准需兼顾全脑对齐与局部神经血管结构的精确可视化，但临床相关的三叉神经ROI体积小，血管标注仅覆盖临床相关部分，且TOF-MRA局部对比度不一，导致传统的全脑配准评估指标无法准确反映局部融合质量。其次，在数据集构建过程中，需处理MRI与MRA之间的视野不匹配问题，这限制了可变形配准的效能，且血管标注部分化使得一侧性距离度量受预测血管体积影响显著，不同方法间预测体积差异可超过一个数量级，造成指标排名不一致。此外，低对比度ROI占比较高（63%），使得基于血管分割的评估指标在低对比度情况下趋于随机，需要依对比度分层分析才能有效区分方法性能。

常用场景

经典使用场景

该数据集聚焦于三叉神经痛（TN）术前评估中MRI与MRA图像的配准问题，其核心使用场景是构建以临床感兴趣区（ROI）为中心的神经血管配准评估框架。该数据集包含149例接受微血管减压术（MVD）患者的298个双侧三叉神经ROI，每个ROI均提供临床医生标注的神经与血管标签，并涵盖多种注册方法（如ANTs SyN、SynthMorph等）的输出及配套的局部图像、血管分割和视场质量指标。它特别适用于评估局部神经血管关系可视化任务中的配准性能，突破了传统全脑配准评估的局限，为TN-MRI-MRA融合研究提供了标准化的评测基线。

解决学术问题

该数据集解决了TN临床场景下MRI-MRA多模态配准缺乏针对性评估基准的学术难题。传统的全脑配准评估指标（如Dice或全脑NMI）无法反映小范围三叉神经ROI内的神经血管对位质量，且临床血管标注的局部性和TOF-MRA对比度变化常导致指标失效。通过引入ROI中心的量化指标（如Vessel AUC、双向血管距离）及对比度/视场分层分析，该数据集系统揭示了单向距离指标受预测血管体积影响的混淆效应、图像级可见性与分割级定位之间的非等价性，以及局部对比度对指标信息量的制约，为建立面向临床任务的配准评估原则奠定了方法论基础。

衍生相关工作

该数据集的发布推动了多个相关方向的衍生研究。其一，基于该基准，研究者可系统比较新型学习配准方法（如基于Transformer或自监督对比学习的模型）在局部神经血管任务中的表现，促进配准算法的临床适配性改进。其二，其揭示了分割后配准与配准后分割流程的差异，催生了‘先分割再变换’的范式探索，以解耦配准几何误差与分割模型敏感性。其三，数据集中的低对比度ROI分析激发了针对TOF-MRA静脉显示不足的成像优化研究，并促进融合图像辅助责任血管类型分类模型的开发。此外，其评估原则已被扩展至其他颅神经疾病（如面肌痉挛）的影像融合研究中。