ImageTBAD

ImageTBAD是首个包含真腔(TL)、假腔(FL)和假腔血栓(FLT)标注的3D计算机断层血管造影(CTA)图像数据集，由广东省人民医院创建。该数据集包含100例TBAD CTA图像，图像来自两种扫描仪，具有详细的特征描述。数据集的创建过程涉及由经验丰富的放射科医师进行图像标注。ImageTBAD主要应用于自动分割TBAD，旨在解决现有方法在FLT分割上的不足，提高手术规划和预后的精确性。

ImageTBAD is the first 3D computed tomography angiography (CTA) image dataset with annotations for true lumen (TL), false lumen (FL), and false lumen thrombus (FLT), developed by Guangdong Provincial People's Hospital. It comprises 100 cases of TBAD CTA images acquired from two distinct scanner models, accompanied by detailed feature descriptions. The development of this dataset entailed image annotation performed by seasoned radiologists. ImageTBAD is primarily utilized for automatic TBAD segmentation, with the objective of addressing the shortcomings of existing approaches in FLT segmentation and enhancing the accuracy of surgical planning and prognosis.

搜集汇总

数据集介绍

构建方式

在心血管影像分析领域，针对B型主动脉夹层（TBAD）的精确量化评估需求，ImageTBAD数据集的构建采用了严谨的临床数据采集与专业标注流程。该数据集源自广东省人民医院2013年至2015年间的临床影像档案，共收录了100例术前三维计算机断层扫描血管造影（CTA）图像。所有图像均使用西门子SOMATOM Force和飞利浦256层Brilliance iCT系统采集，典型体素尺寸为0.25×0.25×0.25立方毫米。标注工作由两位经验丰富的心血管放射科医生团队完成，采用交叉验证机制：其中一位医生对每幅图像的真腔（TL）、假腔（FL）及假腔血栓（FLT）进行逐层分割标注，另一位医生进行复核，确保标注的准确性与一致性。单幅图像标注耗时约1至1.5小时，最终形成了包含68例存在FLT和32例无FLT的精细化标注数据集。

特点

ImageTBAD数据集的核心特点在于其首次系统性地整合了B型主动脉夹层中假腔血栓的标注信息，突破了以往研究仅关注真腔与假腔的局限。该数据集涵盖了FLT在主动脉沿途可能出现的多种空间分布模式，包括顶部、中部、底部乃至全段分布等复杂形态，其形状呈现高度不规则性，且与周围组织的对比度较低，这为分割算法带来了显著挑战。数据集的图像尺寸统一为512×512像素，切片数量介于135至416层之间，具有较高的空间分辨率。统计特征显示，患者平均年龄为52.5岁，女性占比31%，为算法训练提供了具有临床代表性的样本分布。这些特点使得该数据集成为探索不规则目标分割问题的理想测试平台。

使用方法

为促进B型主动脉夹层自动分割研究的发展，ImageTBAD数据集配套提供了基于三维U-Net的基线方法流程。该方法采用两阶段处理策略：首先通过兴趣区域提取模块，在降采样图像上初步定位主动脉区域，进而裁剪并精修出包含目标结构的子图像；随后在兴趣区域分割模块中，设计了两种并行路径——路径A通过多任务分割分别获取真腔、假腔及主动脉整体掩膜，再通过集合运算推导出血栓区域；路径B则直接对三类结构进行端到端分割。研究采用三折交叉验证进行评估，以Dice相似系数和豪斯多夫距离作为主要评价指标。实验表明，基线方法在主动脉和真腔分割上达到了与现有研究相当的性能，但假腔血栓的分割精度仅为52%，凸显了该任务的难度，也为后续研究提供了明确的改进方向。数据集与代码均已公开，支持研究者在此基础上开发更鲁棒的分割模型。

背景与挑战

背景概述

在心血管影像分析领域，B型主动脉夹层（TBAD）作为一种发病率逐年攀升且预后严峻的疾病，其精准诊断与治疗规划依赖于计算机断层扫描血管造影（CTA）影像的深入解析。ImageTBAD数据集由华南理工大学、复旦大学、广东省人民医院及圣母大学等机构的研究团队于2021年共同创建，旨在填补TBAD影像数据中假腔血栓（FLT）标注的空白。该数据集包含100例三维CTA影像，并首次提供了真腔（TL）、假腔（FL）及FLT的精细标注，为自动分割算法的开发奠定了关键基础。其推出不仅促进了TBAD解剖结构的量化评估研究，更为心血管影像人工智能的发展提供了宝贵的开源资源。

当前挑战

ImageTBAD数据集所应对的核心领域挑战在于实现TBAD影像中TL、FL与FLT的精准自动分割，尤其FLT的分割因形态不规则、位置多变且与周围组织对比度低而尤为困难。在构建过程中，研究团队面临两大挑战：一是医学标注的复杂性，FLT可出现在主动脉任意位置，形状高度不规则，导致专业心血管放射科医师需耗费大量时间进行精细标注，且边界判定存在较高不确定性；二是数据稀缺性与异质性，TBAD病例本身相对罕见，而影像数据来自不同扫描设备，在分辨率、对比度等方面存在差异，增加了算法泛化难度。这些挑战使得现有基线方法在FLT分割上的戴斯系数仅达52%，凸显了该领域仍有广阔提升空间。

常用场景

经典使用场景

在心血管影像分析领域，ImageTBAD数据集为B型主动脉夹层（TBAD）的自动分割研究提供了关键资源。该数据集包含100例三维计算机断层扫描血管造影（CTA）图像，并标注了真腔（TL）、假腔（FL）及假腔血栓（FLT）结构。其经典应用场景在于支持深度学习模型，特别是基于3D U-Net的架构，进行TBAD子结构的精确分割，以替代耗时且依赖专家经验的手动标注过程。通过提供标准化且规模适中的标注数据，该数据集促进了自动分割算法的开发与验证，为TBAD的量化解剖特征分析奠定了坚实基础。

解决学术问题

ImageTBAD数据集主要解决了TBAD研究中假腔血栓（FLT）分割缺失的学术难题。以往研究多聚焦于真腔与假腔的分割，而FLT因形态不规则、位置多变且与周围组织对比度低，其自动分割一直缺乏高质量标注数据支持。该数据集首次提供了FLT的精细标注，填补了该领域的空白，使得研究人员能够系统探索FLT分割的挑战，如目标形状多样性、低对比度边界识别等。这不仅推动了医学图像分割算法在复杂解剖结构上的进步，还为TBAD的预后评估与手术规划提供了更全面的量化依据。

衍生相关工作

基于ImageTBAD数据集，多项经典研究工作得以衍生，进一步拓展了TBAD自动分割的边界。例如，研究者们借鉴该数据集的标注策略，开发了多任务深度学习框架，同时分割主动脉整体及其子结构；亦有工作专注于改进FLT分割的鲁棒性，通过引入注意力机制或对抗训练来应对其形态与位置的多变性。这些衍生研究不仅验证了数据集的实用价值，还促进了医学图像分割领域在弱监督学习、小目标检测等方向的方法创新，为其他心血管疾病的影像分析提供了可借鉴的范式。