RSNA 2025 Intracranial Aneurysm Detection Dataset

github2025-09-22 更新2025-09-29 收录

下载链接：

https://github.com/Reasat/rsna-intracranial-aneurysm-detection

下载链接

链接失效反馈

官方服务：

资源简介：

RSNA 2025颅内动脉瘤检测数据集包含4,348名独特患者的医学影像数据，其中1,864名患者（42.9%）有动脉瘤，2,484名患者（57.1%）为对照组。数据集总计包含4,348个影像序列和1,028,811个DICOM文件，包括单帧DICOM（92.6%）和多帧DICOM（7.4%）两种格式。影像模态包括CTA（41.5%）、MRA（28.8%）、MRI T2（22.6%）和MRI T1增强（7.0%），主要图像尺寸为512×512像素，涵盖13个解剖部位的动脉瘤定位数据。

RSNA 2025 Intracranial Aneurysm Detection Dataset contains medical imaging data from 4,348 unique patients. Of these, 1,864 patients (42.9%) have confirmed aneurysms, while the remaining 2,484 patients (57.1%) serve as the control group. The dataset comprises a total of 4,348 imaging sequences and 1,028,811 DICOM files, including two formats: single-frame DICOM (92.6%) and multi-frame DICOM (7.4%). The included imaging modalities are CTA (41.5%), MRA (28.8%), MRI T2 (22.6%), and contrast-enhanced MRI T1 (7.0%). The dominant image size is 512×512 pixels, and the dataset provides aneurysm localization annotations across 13 anatomical sites.

创建时间：

2025-09-16

原始信息汇总

RSNA 2025 颅内动脉瘤检测数据集概述

数据集基本信息

数据集名称：RSNA 2025 Intracranial Aneurysm Detection Dataset
主要目标：检测和定位医学影像数据中的颅内动脉瘤

数据规模统计

患者统计

总患者数：4,348名独立患者
动脉瘤患者：1,864名（42.9%）
对照组患者：2,484名（57.1%）
测试集：约2,500个序列
重要特性：1:1患者与序列比例，每个患者仅有一个成像序列

序列和实例统计

总训练序列：4,348个序列
总DICOM实例：1,028,811个独立DICOM文件
DICOM格式分布：
- 单帧DICOM：4,026个序列（92.6%）
- 多帧DICOM：322个序列（7.4%）

成像模态分布

模态	数量	百分比	典型帧数/序列
CTA（CT血管造影）	1,804	41.5%	~400
MRA（MR血管造影）	1,252	28.8%	~175
MRI T2	982	22.6%	~150
MRI T1增强	310	7.0%	~35

图像属性

最常见图像尺寸：512 × 512像素
图像平面分布：
- 轴向：4,197个序列（96.5%）
- 冠状：87个序列（2.0%）
- 矢状：64个序列（1.5%）

动脉瘤定位数据

解剖位置分布（13个解剖部位）

解剖位置	数量	百分比
前交通动脉	376	16.7%
左床突上颈内动脉	343	15.2%
右大脑中动脉	304	13.5%
右床突上颈内动脉	287	12.8%
左大脑中动脉	225	10.0%
其他后循环	117	5.2%
基底动脉尖	114	5.1%
右后交通动脉	105	4.7%
右床突下颈内动脉	101	4.5%
左后交通动脉	89	4.0%
左床突下颈内动脉	81	3.6%
右大脑前动脉	58	2.6%
左大脑前动脉	47	2.1%

定位注释

总坐标注释：2,251个精确动脉瘤位置
按模态的注释分布：
- CTA：1,073个注释
- MRA：650个注释
- MRI T2：425个注释
- MRI T1增强：103个注释

分割掩码

可用分割：178个序列（占总数的4.1%）
总分割大小：46.6 GB
平均掩码大小：134.0 MB/序列
大小范围：3.6 MB - 989.0 MB
13个血管标签：对应13个动脉瘤位置类别

多动脉瘤情况

单动脉瘤：1,615名患者（86.7%）
多动脉瘤：249名患者（13.3%）
每名患者最大动脉瘤数：最多4-5个不同位置

医学背景

动脉瘤类型

囊状（"浆果"）动脉瘤：最常见（前循环90%，后循环10%）
梭形动脉瘤：长、无分支血管段
假性动脉瘤：形状不规则的突出
血泡样动脉瘤：小、宽基底的半球形隆起（约占所有动脉瘤的1%）

破裂风险因素

大小：≥5mm比2-4mm风险更高
形状：非圆形配置增加破裂风险
位置：椎基底动脉和ICA-PCoA风险最高

检测灵敏度（按模态）

CTA：96-98%灵敏度
MRA：50.9-98.7%灵敏度（随动脉瘤大小变化）
DSA：金标准（7.1%假阴性率）

搜集汇总

数据集介绍

构建方式

在神经影像学领域，颅内动脉瘤的精准检测对临床诊断至关重要。该数据集通过整合4,348例患者的医学影像数据构建而成，涵盖CTA、MRA及多种MRI序列等多模态影像。数据采集严格遵循1:1患者-序列对应原则，确保每位患者仅包含单一影像序列。针对7.4%的多帧DICOM数据，开发了专门的3D体数据处理流程，同时92.6%的单帧DICOM采用切片堆叠策略，构建过程充分考虑了医学影像数据的异构性特征。

特点

本数据集在颅内动脉瘤检测领域展现出显著的专业特性。数据涵盖13个精细划分的解剖位置标注，包含2,251个精确坐标注释，为模型训练提供可靠的定位依据。影像数据呈现多样化特征，包括512×512像素的标准分辨率、四种主要成像模态的均衡分布，以及96.5%的轴向平面采集方式。特别值得注意的是，数据集包含46.6GB的分割掩模数据，为13种血管标签提供详尽的解剖结构信息，这些特征共同构成了该数据集在医学影像分析领域的独特价值。

使用方法

在模型开发实践中，该数据集支持多种先进的深度学习应用范式。研究人员可采用2.5D双流模型架构，通过5层切片窗口提取时空特征，结合坐标注释生成15%图像范围的感兴趣区域。训练阶段利用专家标注的中心点坐标指导特征学习，推理阶段则采用全图像输入策略。数据集支持5折交叉验证训练流程，配合混合精度计算与多GPU并行处理，确保模型在保持临床准确性的同时实现高效优化。这种使用方法充分体现了医学影像分析领域的最新研究进展。

背景与挑战

背景概述

颅内动脉瘤作为脑血管疾病中的隐匿性威胁，其破裂导致的蛛网膜下腔出血具有高致残率与死亡率。RSNA 2025颅内动脉瘤检测数据集由北美放射学会于2025年发起，旨在通过4,348例患者的医学影像数据构建标准化检测基准。该数据集涵盖CTA、MRA及多序列MRI四种模态影像，精准标注2,251个动脉瘤中心坐标与13个解剖位置标签，为深度学习模型在脑血管病变检测领域的应用提供了关键基础设施。其多中心采集策略与精细的医学标注体系，显著推动了医学影像分析从分类任务向病灶定位任务的范式转移。

当前挑战

该数据集面临双重技术挑战：在领域层面，动脉瘤形态多样性（囊状、梭形等）与尺寸差异（2-5mm为主）导致模型需在微小病灶检测与假阳性抑制间取得平衡，而不同影像模态间敏感度差异（CTA 96-98% vs MRA 50.9-98.7%）进一步增加了跨模态泛化难度。在构建层面，7.4%的多帧DICOM文件与92.6%的单帧DICOM并存引发数据处理异构性，需设计自适应预处理流程；同时动脉瘤位置分布高度不均衡（前交通动脉占16.7%而左前动脉仅2.1%），对模型偏差校正提出严峻要求。

常用场景

经典使用场景

在神经放射学领域，该数据集为颅内动脉瘤的自动化检测提供了标准化评估平台。其经典应用场景聚焦于开发基于深度学习的检测模型，通过4348例患者的医学影像数据，涵盖CTA、MRA及多种MRI序列，构建起多模态影像分析框架。研究者利用该数据集训练2.5D双流网络架构，通过五层切片窗口捕捉血管结构的时空特征，实现动脉瘤的精确识别与定位。这种处理方式有效模拟了放射科医师的阅片流程，既考虑全局解剖结构又关注局部病灶特征，为医学影像分析领域树立了新的技术标杆。

衍生相关工作

基于该数据集衍生的研究推动了医学人工智能领域的多项突破性进展。双流网络架构的创新设计启发了多尺度特征融合的新范式，其坐标引导的注意力机制被广泛应用于其他器官的病灶检测。在技术迁移方面，数据集处理多帧DICOM的标准化流程成为医学影像预处理的参考标准，而五折交叉验证的评估框架则为模型可靠性验证提供了方法论指导。这些衍生工作不仅深化了对脑血管病变的理解，更为整个医学影像分析领域的技术演进注入了持续动力。

数据集最近研究