TopCoW centerline graph dataset

该数据集是首个公开的Willis环中心线图数据集，包含200名卒中患者的Willis环解剖标签中心线和形态学特征，数据来源于磁共振血管造影(MRA)和计算机断层扫描血管造影(CTA)。数据集由瑞士应用科学大学计算生命科学研究所创建，旨在支持血流动力学建模、血管分叉点自动检测、基于学习的骨架化以及Willis环解剖形态定量研究等领域的进一步研究。This dataset is the first publicly available circle of Willis centerline image dataset, containing annotated centerlines and morphological features of the circle of Willis from 200 stroke patients. The data was acquired via magnetic resonance angiography (MRA) and computed tomography angiography (CTA). Developed by the Institute of Computational Life Sciences, Swiss University of Applied Sciences, this dataset aims to support further research in fields including hemodynamic modeling, automatic detection of vascular bifurcation points, learning-based skeletonization, and quantitative studies on the anatomical morphology of the circle of Willis.

搜集汇总

数据集介绍

构建方式

在脑血管形态定量分析领域，Willis环中心线图数据集（TopCoW centerline graph dataset）的构建基于TopCoW挑战赛提供的200例卒中患者的多模态血管造影图像。该数据集通过一种基于拓扑细化的骨架化算法，从磁共振血管造影（MRA）和计算机断层血管造影（CTA）的体素级分割掩码中提取初始中心线图。针对复杂血管几何结构可能引入的拓扑错误，研究团队实施了一系列解剖学引导的后处理步骤，包括节点提取、选择性中心线段合并以及伪边缘剔除，并由专家进行人工校验，最终生成了包含丰富形态特征标注的中心线图。

特点

该数据集的核心特点在于其首次公开提供了Willis环的解剖标注中心线图及配套的形态计量特征。数据集涵盖400个中心线图，每个图均附有节点坐标、血管段半径、长度、曲折度及分叉角度等详尽的几何属性。尤为突出的是，数据集不仅包含了空间拓扑结构，还衍生出变异分类、关键解剖节点位置以及分叉对称性与最优性模式分析，支持对血管形态的深入量化研究。这些特征为血流动力学建模、解剖变异检测及学习方法评估提供了可靠的多维度基准。

使用方法

该数据集适用于脑血管中心线提取算法的开发与性能评估。研究人员可利用其提供的中心线图和形态特征，作为基准验证学习型骨架化方法的解剖准确性。具体使用流程包括：加载VTK格式的中心线图与表面网格数据，访问附带的节点、变异及特征文件，进行拓扑结构分析或特征提取。数据集中包含的基线算法结合了U-Net骨架化与A*图连接，展示了从分割掩码到中心线图的端到端流程，用户可参照此流程实现自动化血管形态量化，或将其用于下游临床任务如胎儿型大脑后动脉变异分类与分叉最优性研究。

背景与挑战

背景概述

Willis环作为大脑中关键的动脉网络，在脑血管病理学中扮演着核心角色。尽管其临床重要性显著，但对该结构的自动化评估长期依赖于专家手动分析，缺乏高效可靠的量化工具。为应对这一挑战，苏黎世应用科学大学和苏黎世大学的研究团队于2025年发布了TopCoW中心线图数据集。该数据集基于TopCoW挑战赛的200名卒中患者影像数据，通过磁共振血管造影和计算机断层血管造影双模态成像，提供了首个公开的、带有解剖标记的Willis环中心线图及其形态特征。该数据集的创建旨在推动脑血管的定量分析，支持血流动力学建模、解剖变异检测及群体水平变异研究，为相关领域的算法开发和临床研究奠定了重要基础。

当前挑战

该数据集致力于解决脑血管中心线提取与量化分析中的核心挑战。在领域问题层面，Willis环几何结构复杂且解剖变异常见，传统骨架化方法难以提取可靠的中心线，而现有公开中心线数据集稀缺，限制了自动化血管建模的发展。构建过程中的挑战主要体现在数据生成与处理环节：基于细化算法的初始中心线提取常引入拓扑错误，如无效连接、环路或多余分支，需通过基于规则的解剖学后处理进行校正；同时，学习型骨架化方法面临前景与背景体素类别极度不平衡的问题，易导致预测骨架断裂，需结合焦点损失与Tversky损失函数优化，并利用A*路径查找算法重建解剖连续性，以确保中心线图的拓扑准确性与形态特征鲁棒性。

常用场景

经典使用场景

在脑血管影像分析领域，Willis环中心线图数据集为血管形态的定量研究提供了关键基础设施。该数据集最经典的应用场景在于支持基于深度学习的骨架化算法开发与评估，研究者利用其标注精细的中心线图与形态特征，训练神经网络从磁共振血管造影或计算机断层血管造影的分割掩码中直接提取解剖学合理的血管中心线。通过结合U-Net架构与A*路径规划算法，基线方法能够高精度重建血管拓扑结构，为自动化脑血管分析奠定基础。

衍生相关工作

围绕该数据集已衍生出多项经典研究工作。基线算法将U-Net骨架化与A*图连接相结合，为血管中心线提取设立了新的性能基准。相关工作进一步探索了轻量化网络架构以提升推理效率，并利用数据集进行特征鲁棒性验证，明确了不同形态测量指标在方法间的稳定性差异。此外，数据集促进了与TopCoW分割挑战、CROWN量化挑战等现有资源的整合，推动了从影像到定量分析的端到端脑血管评估流程的发展。

数据集最近研究

最新研究方向

在脑血管影像分析领域，Willis环（Circle of Willis）的几何形态研究对于理解脑卒中、动脉瘤等病理机制至关重要。TopCoW中心线图数据集的发布，为基于深度学习的血管骨架化算法提供了首个公开的解剖标注中心线图谱，推动了该领域从体素分割向形态计量分析的范式转变。当前前沿研究聚焦于结合U-Net骨架化与A*图连接算法的端到端管道，以提升复杂血管拓扑的提取精度与特征鲁棒性。这一进展不仅支持血流动力学建模与解剖变异检测，还揭示了磁共振血管造影与计算机断层血管造影在血管半径测量中的模态差异，为临床定量评估提供了新的工具与基准。

相关研究论文

• Circle of Willis Centerline Graphs: A Dataset and Baseline Algorithm

  瑞士应用科学大学计算生命科学研究所 · 2025年