awesome-vem-datasets

这是一个专注于连接组学的开源体积电子显微镜（vEM）数据集集合。它收集和整理了多个大规模连接组数据集，包括PB级连接组、在线挑战数据集、区分性连接组和可访问的真实数据等类别。合集覆盖了神经科学领域中的体积电子显微镜成像数据，旨在为研究人员提供数据集资源索引和参考。This is an open-source volumetric electron microscopy (vEM) dataset collection focused on connectomics. It collects and curates multiple large-scale connectomics datasets, which fall into categories including petabyte-scale connectomics datasets, online challenge datasets, discriminative connectomics datasets, and accessible real-world datasets. This collection encompasses volumetric electron microscopy imaging data across the field of neuroscience, with the objective of providing researchers with indexed dataset resources and reference materials.

原始信息汇总

数据集资源总览：Awesome vEM Datasets

这是一个专注于体积电子显微镜（volume electron microscopy, vEM）生成的突触级连接组学数据集的精选资源列表，旨在为连接组学研究提供全面的数据和工具索引。

1. 核心数据集：Petascale Connectome

该页面列出了三个达到**拍字节（Petabyte, PB）**级别的超大规模连接组数据集，是当前连接组学研究的核心数据资源：

年份	名称	数据规模	访问链接
2024	Si (e.g., Si150L4)	~1.1 PB	https://wklink.org/7122
2021	H01	~1.4 PB	https://h01-release.storage.googleapis.com/data.html
2021	MICrONS (mm³)	~2.0 PB	https://microns-explorer.org/

2. 在线挑战赛数据集

这些数据集来源于国际学术会议举办的挑战赛，常用于算法基准测试：

年份	名称	关联会议	访问链接
2024	NISB	Connectomics Conf	https://structuralneurolab.github.io/nisb/#
2013	SNEMI3D	ISBI 2013	https://snemi3d.grand-challenge.org/
2016	CREMI	MICCAI 2016	https://cremi.org/
2012	ISBI	ISBI 2012	https://imagej.net/events/isbi-2012-segmentation-challenge

3. 可区分的连接组与公开真实标注数据

该页面提供了一些著名连接组数据集的子集，并附带了公开的真实标注（Ground Truth）用于训练和验证：

• 主要连接组及其子集：

  • FAFB 的子集包括 CREMI-A/B/C (关联 FlyWire 连接组)
  • Kasthuri15 的子集包括 SNEMI3D/AC3/AC4 (关联 "two cylinders" 连接组)
  • Hemi-brain、FIB-25、J0126 均提供各自的训练集

• 公开的真实标注数据详情： 以下表格提供了部分可访问的真实标注数据的具体尺寸和分辨率信息：

  数据集名称	数据尺寸 (μm³)	数据分辨率 (nm³)	标注分辨率 (nm³)	访问链接
  AxonEM	30x30x30	7x7x40 & 8x8x30	7x7x40 & 8x8x30	https://axonem.grand-challenge.org/
  H01	2,000x3,000x175	4x4x30	8x8x30	https://h01-release.storage.googleapis.com/landing.html

4. 开放获取平台

页面推荐了获取和共享 vEM 数据的主要开放平台：

• Open Connectome Project (https://neurodata.io/project/ocp/)
• BossDB (https://bossdb.org/projects)
• EMPIAR (https://www.ebi.ac.uk/empiar/)
• Zenodo (https://zenodo.org/)
• webKnossos (https://webknossos.org/publications)
• Neuroglancer (https://github.com/google/neuroglancer)

5. 相关综述与调研

• 相关综述文章： 引用了2018-2023年间关于高通量 vEM、方法学创新、高分辨率连接组可视化分析以及全鼠脑连接组扩展的综述。
• 相关调研列表： 提供了其他在线的连接组学数据集和神经元分割相关的资源汇总页面，例如：
  • connectomics-vis-survey.github.io
  • braincircuits.io/resources
  • tianyan.gitlab.io/braindata/connectomics-survey
  • github.com/subeeshvasu/Awesome-Neuron-Segmentation-in-EM-Images
  • github.com/Levishery/connectomic-paper-datasets

6. 相关代码

• Local Shape Descriptors (https://github.com/funkelab/lsd)
• PyTorch Connectomics (https://connectomics.readthedocs.io/en/latest/tutorials/neuron.html)

搜集汇总

数据集介绍

构建方式

在神经连接组学领域，体积电子显微镜（vEM）技术的进步使得对突触级神经环路的高分辨率解析成为可能。该数据集通过系统梳理和整合全球公开的vEM数据集资源构建而成，涵盖了从皮秒级连接组（如Si、H01和MICrONS）到在线挑战赛数据集（如SNEMI3D、CREMI和ISBI）的多个层次。构建过程中，团队严格筛选了具有完整标注和公开访问权限的数据集，并按照规模、分辨率和应用场景进行分类，同时收录了相关的开放获取资源、综述文献和研究团队信息，形成了一个结构化的知识库。

使用方法

使用者可通过GitHub仓库直接访问该数据集，其目录结构清晰，按内容分为连接组学概览、开放资源、综述及研究小组等板块。每个数据集均附有直接链接至原始数据存储库（如Google Cloud、webKnossos或Zenodo）的入口。对于需要算法验证的研究，可从在线挑战赛部分获取标准化的训练与测试数据。同时，数据集鼓励社区贡献，通过Pull Request或Issue提交新的数据集或论文，确保了资源的持续更新与扩展。

背景与挑战

背景概述

体积电子显微镜（vEM）技术的迅猛发展，为神经科学领域带来了前所未有的机遇，使得在突触分辨率水平上重建大规模脑连接组成为可能。Awesome-vem-datasets数据集资源列表由Hao Zhai等研究人员于近年来整理并持续维护，旨在系统性地汇总公开可用的vEM连接组数据集。该资源聚焦于突触级别的连接组学，收录了如Si系列、H01及MICrONS等达到拍字节量级的全脑数据集，以及SNEMI3D、CREMI等经典挑战赛数据。这些数据为解析神经环路的结构基础提供了关键支撑，推动了连接组学从局部到全脑尺度的跨越，对理解大脑信息处理机制产生了深远影响。

当前挑战

当前vEM数据集领域面临多重挑战。在领域问题层面，如何从海量、各向异性分辨率的体素数据中精确分割神经突触、识别突触连接，仍是核心难题；数据集间成像协议、分辨率和标注粒度的差异，也严重制约了算法的泛化能力。在构建过程中，获取拍字节级全脑数据需要高昂的成像成本与存储资源，而人工标注的准确性与效率难以平衡，导致高质量地面真值数据匮乏。此外，数据开放共享的标准不一，跨平台的数据访问与格式统一亦构成显著障碍，阻碍了连接组学研究的规模化推进。

常用场景

经典使用场景

在连接组学领域，体积电子显微镜（vEM）数据集是解析突触级神经环路结构的关键基石。awesome-vem-datasets汇集了从ISBI 2012到NISB 2024等经典竞赛数据集，以及Petascale级别的H01、MICrONS等大规模连接组数据，为研究者提供了从纳米级分辨率到皮字节规模的完整数据谱系。这些数据集最经典的使用场景是用于训练和验证神经元分割、突触检测及神经纤维追踪算法，例如SNEMI3D和CREMI挑战赛即以此为核心任务，推动图像处理技术在高噪声、低对比度电镜图像中的鲁棒性提升。

解决学术问题

该数据集集合系统地回应了连接组学中几个长期存在的学术难题：如何从海量vEM图像中自动化重建神经元形态与连接图谱。通过提供带有专家标注的基准数据（如Kasthuri15、FIB-25），它解决了无监督分割精度不足、跨尺度对齐困难以及突触分类标准不统一等关键瓶颈。其意义在于，标准化了算法性能的评估范式，使得深度学习模型（如PyTorch Connectomics）能够在大规模数据上实现超越人工的标注效率，从而加速了从果蝇到小鼠乃至人类大脑的完整连接组构建进程。

实际应用

在实际应用中，该数据集资源已转化为神经科学研究的核心工具链。例如，FlyWire项目利用FAFB和CREMI子集实现了果蝇全脑连接组的半自动重建，而H01数据集则支撑了人类皮层组织样本的突触级分析。此外，AxonEM数据集作为MICrONS和H01的子集，专门用于优化轴突追踪算法，直接服务于脑图谱绘制和神经疾病（如自闭症、阿尔茨海默症）的病理机制研究。开放资源如BossDB和webKnossos进一步降低了数据访问门槛，使全球实验室能复现并扩展这些分析流程。

数据集最近研究

最新研究方向

在连接组学领域，体积电子显微镜（vEM）数据集正以前所未有的规模推动着突触级神经环路解析的前沿探索。近年来，随着Si、H01、MICrONS等拍字节级连接组的公开，计算神经科学已从局部微环路重建迈向全脑尺度图谱绘制。这些数据集不仅支撑着如FlyWire果蝇全脑连接组等里程碑式项目，还催生了NISB、SNEMI3D、CREMI等国际挑战赛，驱动语义分割与神经元追踪算法的持续突破。AxonEM等子集数据的精细化标注进一步弥合了自动重建与人工校验之间的鸿沟。开放资源如BossDB与webKnossos的涌现，正加速全球实验室在皮层回路、病理机制等方向上的协作，使高通量vEM数据成为理解脑功能与疾病的基石性基础设施。