VesselTok-data

VesselTok 数据发布包含用于训练 Stage 1 隐式函数自编码器的预处理数据。数据分为两部分：1. all_centerlines/：存放来自 ATM22、AIIB23、AeroPath、CoSTA、PARSE 2022、HiPaS、Pulmonary_AV 和 TopCoW 等多个解剖数据集的中心线图（.vtp 格式）。2. sampled_points/：存放每个中心线图对应的预计算占用查询点（.npz 格式），网格分辨率为 512，用于训练时缓存。该数据集是 VesselTok 项目中隐式函数自编码器的关键训练输入，适用于血管中心线提取和形状隐式表示学习任务。注意：本发布不包含消融实验数据及其他分辨率下的查询点。The VesselTok data release contains preprocessed data for training the Stage 1 implicit function autoencoder. The data is divided into two parts: 1. all_centerlines/: stores centerline graphs (.vtp format) from multiple anatomical datasets including ATM22, AIIB23, AeroPath, CoSTA, PARSE 2022, HiPaS, Pulmonary_AV, and TopCoW. 2. sampled_points/: stores precomputed occupancy query points (.npz format) for each centerline graph with a grid resolution of 512, used for caching during training. This dataset is a key training input for the implicit function autoencoder in the VesselTok project, suitable for vessel centerline extraction and shape implicit representation learning tasks. Note: This release does not include ablation experiment data or query points at other resolutions.

原始信息汇总

VesselTok-data 数据集详情

数据集概述

VesselTok-data 是为 VesselTok（论文链接：https://arxiv.org/abs/2603.18797）代码库中 Stage 1 隐式函数自编码器 训练所准备的预处理数据。

数据内容

all_centerlines/ 目录

包含所有用于该工作的解剖结构的中心线图（.vtp 文件），共涉及以下8个数据集：

• ATM22
• AIIB23
• AeroPath
• CoSTA
• PARSE 2022
• HiPaS
• Pulmonary_AV
• TopCoW

该目录路径需在配置文件中设置，对应配置项为： yaml configs/base_config.yaml setup.ALL_CENTERLINES_PATH

sampled_points/ 目录

包含在网格分辨率为 512 下预计算的占用查询点，每个中心线图对应一个 .npz 文件，文件名与 all_centerlines/ 中的文件一致（仅扩展名由 .vtp 替换为 .npz）。

这些文件作为训练时的缓存，配套的配置项为： yaml im_configs.training.use_precomputed_gt_distance: True im_configs.training.num_points_per_axis_sampling: 512

该目录应放置在以下路径：

<MC_MESH_PATH>/occupancy/resolution_512/sampled_points

其中 <MC_MESH_PATH> 对应 configs/base_config.yaml 中的 setup.MC_MESH_PATH 配置项。

未包含的数据

以下数据不包含在本数据集中：

• 消融实验相关数据：用于分辨率或占用半径扫描、子采样/超采样中心线、OOD 肾脏块及相关消融实验的数据。
• 其他查询点分辨率：除512以外的其他分辨率下预计算的查询点。

使用说明

完整的安装配置步骤请参阅主仓库 README.md 中的 Data Setup 章节。

搜集汇总

数据集介绍

构建方式

VesselTok-data数据集是为训练VesselTok代码库中第一阶段隐式函数自编码器而精心构建的预处理数据集合。该数据集整合了来自ATM'22、AIIB23、AeroPath、CoSTA、PARSE 2022、HiPaS、Pulmonary_AV及TopCoW等多个公开解剖学数据集的中心线图，以VTK PolyData（.vtp）格式存储于all_centerlines目录中。此外，数据集提供了与每个中心线图对应的、在512网格分辨率下预计算的占用查询点，以.npz格式保存于sampled_points目录，文件命名与中心线图一一对应，仅扩展名不同。这些查询点构成训练时的缓存数据，通过configs/base_config.yaml中的配置路径和训练参数（如use_precomputed_gt_distance和num_points_per_axis_sampling）调用。该构建方式确保了模型训练时的数据一致性和高效性。

使用方法

使用VesselTok-data数据集时，需遵循仓库README中的数据设置指南。首先，将all_centerlines目录路径配置到configs/base_config.yaml中的setup.ALL_CENTERLINES_PATH字段。其次，将sampled_points目录置于由setup.MC_MESH_PATH指定的路径下的occupancy/resolution_512/sampled_points位置。训练时，确保im_configs.training.use_precomputed_gt_distance设置为True，且num_points_per_axis_sampling设置为512，以启用预计算查询点的缓存机制。此数据集专为VesselTok模型的第一阶段训练设计，研究者可直接调用，无需额外数据预处理。对于消融实验或不同分辨率的探索，需自行准备相应数据，此数据包不包含此类内容。

背景与挑战

背景概述

VesselTok-data数据集由VesselTok项目团队创建，旨在支持医学图像中血管结构的分割与建模研究。该数据集汇集了来自ATM'22、AIIB23、AeroPath、CoSTA、PARSE 2022、HiPaS、Pulmonary_AV和TopCoW等多个公开挑战赛的血管中心线数据，并通过预计算占用查询点提供训练缓存。其核心研究问题在于利用隐式函数自编码器实现血管的鲁棒分割与几何重建，以应对医学图像中血管拓扑复杂、尺度多变等挑战。自发布以来，该数据集为血管分析领域提供了标准化的训练资源，推动了基于隐式表示的方法发展，在医学图像计算和计算机辅助诊断中具有重要影响力。

当前挑战

该数据集所解决的领域问题在于血管分割与建模中面临的拓扑复杂性、分支结构多样性和跨域泛化难题。在构建过程中，需整合来自多个来源的血管标注数据，确保中心线提取的一致性，并处理不同数据集的标注协议差异。此外，预计算512分辨率下的占用查询点需要大量计算资源，且存储开销显著。为支持消融实验，还需生成子采样或超采样中心线及非分布数据，这增加了数据构建的复杂性。未包含其他分辨率或消融特定数据，也限制了方法的可扩展性验证。这些挑战共同构成了数据集构建与使用的核心难点。

常用场景

经典使用场景

VesselTok-data数据集是专为训练VesselTok模型中阶段一隐式函数自编码器而构建的，其核心应用场景聚焦于血管树中心线图的隐式神经表示学习。该数据集汇集了来自ATM'22、AIIB23、AeroPath、CoSTA、PARSE 2022、HiPaS、Pulmonary_AV及TopCoW等多个权威医学影像挑战赛与公开数据集中的血管中心线图，覆盖冠状动脉、肺动脉、脑血管等多样解剖结构。通过预计算的512分辨率占用查询点，研究者可直接用于训练隐式函数，实现血管拓扑结构的连续、高保真编码，为后续血管分割、解剖结构建模及血流动力学模拟提供基础支撑。

解决学术问题

该数据集解决了血管树建模中传统离散表示难以捕捉复杂拓扑和连续几何的学术难题。通过提供统一的中心线图及预计算占用查询点，VesselTok-data使得隐式函数自编码器能够学习血管树的连续隐式距离场，从而有效处理血管分支、交叉和尺度变化等挑战。这一资源显著降低了研究者在数据预处理上的负担，促进了跨数据集的可迁移性研究，并为血管树生成、异常检测及手术规划等下游任务提供了标准化的训练基准，推动了医学影像分析领域中几何深度学习的发展。

实际应用

在实际应用中，VesselTok-data数据集所训练的模型可广泛用于临床辅助诊断系统，例如自动提取血管中心线、量化血管狭窄或动脉瘤形态，进而辅助医生进行疾病评估与介入治疗规划。基于隐式函数表示的血管重建能够生成平滑且连续的三维血管树，适用于虚拟现实手术模拟、术前路径规划及术中导航。此外，该数据集的预计算缓存机制支持高效训练，便于在资源受限的临床环境中部署轻量化模型，加速从研究到临床的转化。

数据集最近研究

最新研究方向

VesselTok-data数据集为血管树隐式神经表示学习提供了多领域、多模态的标注中心线及高分辨率占用点云数据，当前前沿研究方向聚焦于构建通用血管分析基础模型，通过隐式函数自动编码器实现跨解剖结构、跨成像模态的血管拓扑与几何建模。该数据集整合了ATM'22、AIIB23、AeroPath、CoSTA、PARSE 2022、HiPaS、Pulmonary_AV、TopCoW等多项国际挑战赛的血管中心线数据，有力推动了血管分割、中心线提取及拓扑重建任务的统一评估与算法创新。结合生成式AI在医学影像领域的热潮，该数据服务于隐式神经场、扩散模型等新型表征学习范式，促使血管建模向高分辨率、高精度且具备泛化能力的方向演进，对于提升心脑血管疾病的自动化诊断、术前规划及术中导航的临床效能具有深远意义。