基于IXI数据集的大脑MRA图像半手动注释脑血管数据集

本数据集是基于IXI数据集的大脑MRA图像半手动注释脑血管数据集，包含200张大脑MRA图像。该数据集的创建是为了解决目前公开可用的MRA数据集中缺乏详细脑血管注释的问题，旨在帮助提高脑血管分割的准确性。数据集的创建过程包括使用HessNet神经网络进行初步分割，然后由专家进行手动注释，以提高分割的准确性。该数据集可用于脑血管分割的研究和开发，以及个性化手术的培训。

This dataset is a semi-manually annotated cerebrovascular dataset built upon brain MRA images sourced from the IXI dataset, consisting of 200 brain MRA images. It was developed to address the shortage of detailed cerebrovascular annotations in currently publicly available MRA datasets, with the core objective of improving the accuracy of cerebrovascular segmentation. The dataset construction workflow includes conducting preliminary segmentation via the HessNet neural network, followed by manual refinement and annotation by medical experts to further elevate segmentation accuracy. This dataset can be applied to research and development of cerebrovascular segmentation techniques, as well as training for personalized surgery.

搜集汇总

数据集介绍

构建方式

在神经血管影像分析领域，高质量标注数据集的稀缺性长期制约着深度学习模型的发展。该数据集基于IXI公开数据集中的200例脑部MRA影像，采用半自动化标注流程：首先通过HessNet轻量级神经网络生成初始血管分割结果，随后由三名医学影像专家在三位神经血管外科医生监督下进行人工校正，重点标注Willis环及主要血管结构的拓扑连续性，确保解剖结构的临床准确性。

特点

本数据集的核心价值在于其独特的标注质量与结构完整性。所有标注均严格遵循血管拓扑关系 preservation 原则，特别注重Willis环区域的精细标注，该区域作为脑动脉瘤的高发部位具有重要临床意义。数据集包含200例全脑MRA影像的三维血管标注，涵盖不同医院采集设备的异质性数据，且通过专家多层校验机制确保了标注结果的临床可靠性，为血管分割算法提供了宝贵的训练与验证资源。

使用方法

该数据集主要服务于脑血管分割算法的开发与验证。研究人员可将其划分为训练集与测试集，用于训练深度学习模型（如U-Net、HessNet等）或评估传统图像处理算法的性能。使用时应遵循医学影像数据处理规范，先进行颅骨剥离和强度标准化预处理，再结合Dice系数、敏感度等指标量化分割效果。数据集部分公开版本可通过指定链接获取，完整版本需联系作者授权使用。

背景与挑战

背景概述

脑血管分割在神经外科手术规划中具有关键意义，但高质量标注数据的匮乏长期制约着相关算法的发展。2025年由莫斯科国立大学与NeuroSputnik LLC联合发布的基于IXI数据集的脑血管标注数据集，通过集成Hessian矩阵的轻量级神经网络HessNet，实现了对200例脑部MRA图像的半自动标注。该数据集聚焦于Willis环及主要血管结构的精确分割，由三名医学影像专家在神经血管外科医生监督下完成验证，为脑血管手术模拟系统和个性化医疗提供了重要数据支撑。

当前挑战

该数据集主要应对脑血管拓扑结构复杂性与标注一致性的双重挑战：一方面，脑血管仅占头颅体积的1%-3%，且存在大量细微分支，传统Frangi滤波器难以准确捕捉低强度小血管；另一方面，专家手动标注存在主观差异，尤其在血管边界判定上难以统一。构建过程中需克服IXI原始数据强度分布异质性、不同医院扫描协议差异等问题，通过强度分布聚类和分层标注策略确保数据质量。

常用场景

经典使用场景

在脑血管成像研究领域，该数据集为脑磁共振血管造影（MRA）图像中的血管结构分割提供了高质量的半手动标注数据。其最经典的使用场景是作为训练和验证轻量级神经网络（如HessNet）的基准数据，支持血管拓扑结构的精确提取，尤其在Willis环及主要分支血管的标注上具有显著价值。

实际应用

在实际医疗场景中，该数据集支持神经血管手术规划与个性化医疗应用。其标注数据可直接用于构建患者特异性脑血管三维模型，为动脉瘤修复、搭桥手术等精密操作提供解剖学参考。同时，轻量化的标注流程使得基层医疗机构无需高性能计算设备即可实现高精度血管分割。

衍生相关工作

基于该数据集衍生的经典工作包括HessNet轻量级神经网络架构，其通过集成Hessian矩阵算子实现了小样本下的高精度血管分割。此外，该数据支撑了多中心泛化算法、拓扑保持损失函数等创新研究，并为远程手术机器人系统（如LevshaAI）提供了可靠的血管模型数据源。