ImageCAS

ImageCAS是由广东省人民医院（广东省医学科学院）创建的大规模数据集，包含1000个基于计算机断层扫描血管造影（CTA）图像的冠状动脉分割案例。数据集由真实的临床案例组成，使用西门子128层双源扫描仪获取，旨在支持冠状动脉疾病的诊断和量化。数据集的创建过程涉及由两位放射科医生独立标注，并在有分歧时由第三位放射科医生进行裁决。ImageCAS数据集的应用领域主要集中在冠状动脉疾病的自动分割和诊断，旨在通过深度学习方法提高诊断的准确性和效率。ImageCAS is a large-scale dataset developed by Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), which contains 1000 coronary artery segmentation cases based on computed tomography angiography (CTA) images. The dataset is composed of real clinical cases acquired using a Siemens 128-slice dual-source scanner, and is intended to support the diagnosis and quantification of coronary artery disease. The dataset creation process involved independent annotation by two radiologists, with discrepancies resolved by a third radiologist when disagreements arose. The primary application scenarios of the ImageCAS dataset focus on automatic segmentation and diagnosis of coronary artery disease, aiming to improve the accuracy and efficiency of diagnosis through deep learning methods.

搜集汇总

数据集介绍

构建方式

ImageCAS 数据集的构建基于冠状动脉计算机断层扫描血管造影 (CTA) 图像。该数据集包含了 1000 名患者的 3D CTA 图像，这些图像是通过西门子 128 切片双源扫描仪采集的。图像的尺寸为 512×512×(206−275) 像素，平面分辨率为 0.29-0.43mm²，间距为 0.25-0.45mm。数据采集自广东省人民医院 2012 年 4 月至 2018 年 12 月的真实临床病例。数据集中仅包含年龄大于 18 岁且具有缺血性中风、短暂性脑缺血发作和/或外周动脉疾病病史的患者。冠状动脉的标注由两位放射科医生独立完成，并进行交叉验证。如有分歧，则由第三位放射科医生进行标注，最终结果由共识确定。标注的冠状动脉包括左主干冠状动脉、左前降支冠状动脉、左回旋支冠状动脉、右冠状动脉、对角支 1、对角支 2、对角支 3、钝缘支 1、钝缘支 2、钝缘支 3、中间支、后降支动脉、急缘支 1 和其他根据 AHA 命名惯例 (17 个段落) 的血管。

特点

ImageCAS 数据集具有以下特点：1) 规模庞大：包含 1000 名患者的 3D CTA 图像，是目前公开的冠状动脉分割数据集中规模最大的。2) 标注详细：冠状动脉的标注由两位放射科医生独立完成，并进行交叉验证，保证了标注的准确性。3) 数据多样：数据采集自真实临床病例，涵盖了不同年龄段、性别和疾病类型的人群，具有较好的代表性。

使用方法

ImageCAS 数据集可用于冠状动脉分割研究，包括但不限于以下方面：1) 训练和评估冠状动脉分割模型。2) 比较不同冠状动脉分割方法的性能。3) 研究冠状动脉分割算法的鲁棒性和泛化能力。4) 探索冠状动脉分割算法的临床应用。使用该数据集时，需要遵循以下步骤：1) 数据预处理：对图像进行裁剪、缩放、归一化等操作，以便于模型训练。2) 模型训练：选择合适的网络结构和训练策略，对模型进行训练。3) 模型评估：使用 Dice 系数、豪斯多夫距离等指标评估模型的性能。4) 结果分析：分析模型的优缺点，并进行改进。

背景与挑战

背景概述

冠状动脉疾病是全球主要的健康问题之一，其中心血管疾病占非传染性疾病死亡人数的一半左右。冠状动脉狭窄被认为是心血管疾病的主要风险因素。计算机断层扫描血管造影（CTA）由于其优越的图像分辨率，是冠状动脉诊断中广泛使用的非侵入性成像模式之一。临床上，冠状动脉分割对于冠状动脉疾病的诊断和量化至关重要。近年来，提出了各种方法来解决这一问题。然而，一方面，大多数工作依赖于内部数据集，并且只有少数工作公开发布了其数据集，这些数据集只包含数十张图像。另一方面，它们的源代码没有公开发布，并且大多数后续工作没有与现有工作进行比较，这使得判断方法的有效性变得困难，并阻碍了社区对该具有挑战性但至关重要的问题的进一步探索。在这篇论文中，我们提出了一种基于CTA图像的大规模冠状动脉分割数据集。此外，我们还实现了一个基准，我们尽力实现了几种典型的现有方法。此外，我们提出了一种强基线方法，该方法结合了多尺度块融合和两阶段处理，以提取血管的细节。综合实验表明，该方法在提出的大规模数据集上比现有工作的性能更好。基准和数据集已发布在https://github.com/XiaoweiXu/ImageCAS-A-Large-Scale-Dataset-and-Benchmark-for-Coronary-Artery-Segmentation-based-on-CT。关键词：冠状动脉分割，计算机断层扫描血管造影，深度神经网络，数据集。

当前挑战

冠状动脉分割任务非常具有挑战性，原因有多种。首先，冠状动脉的解剖结构因人群而异。例如，冠状动脉通常被一层脂肪包围，但在某些人中，动脉位于心肌本身内。其次，一些CTA图像存在噪声和伪影，这会导致分割结果的质量降低。第三，冠状动脉的管状结构极其复杂。例如，动脉沿动脉有大量的分支，并且在横截面中冠状动脉区域的比例很小。为了解决上述问题，在过去的十年中，社区中提出了数十种方法。这些方法中使用的途径可以分为两大类：基于传统机器学习（ML）的方法和基于深度学习（DL）的方法。基于传统ML的方法可以使用手工制作的特征和冠状动脉结构的先验知识来取得有希望的结果，但它们在应用于严重变形的冠状动脉时会出现相当大的退化。与基于ML的方法不同，最近提出的基于DL的方法需要很少的手工制作特征或先验知识。使用此类方法的工作已经比第一种方法取得了相当大的改进，证明了其在冠状动脉分割中的高有效性。我们详细分析了现有工作，如Table 2所示，并发现大多数工作未能与其他工作进行公平和全面的比较。例如，[41]没有与任何以前的相关工作进行过比较，只是与一些流行的深度神经网络（DNNs）进行了比较。[73]只是列出了相关工作的Dice得分进行比较，这并不公平，因为这两种方法没有使用相同的测试集进行评估。一些工作[10]、[32]甚至使用了针对特定临床需求定制的不同评估指标集，而其他工作[73]甚至使用了不同的注释，其中包括主动脉的初始部分，导致Dice得分更高。这些评估偏差主要是因为公共领域缺乏大规模的基准数据集。冠状动脉分割的唯一两个公共数据集[39]、[71]（也显示在Table 2中）分别只包含8张和18张用于训练的图像。此外，所有现有的方法都没有发布它们的源代码，这为公平的比较带来了更多的困难。

常用场景

经典使用场景

ImageCAS 数据集主要应用于冠状动脉分割领域，通过计算机断层扫描血管造影图像进行冠状动脉分割。该数据集包含大量高质量的 CTA 图像，为冠状动脉分割算法的训练和评估提供了宝贵的数据资源。研究人员可以利用该数据集进行冠状动脉分割算法的研发，例如基于深度学习的分割算法，并通过实验验证其性能。此外，该数据集还可以用于冠状动脉疾病诊断和治疗方案的制定，例如通过分割出的冠状动脉图像进行狭窄程度的评估，为临床医生提供参考。

解决学术问题

ImageCAS 数据集解决了冠状动脉分割领域缺乏大型公开数据集的问题。以往的研究大多依赖于内部数据集，且公开的数据集规模较小，难以进行公平和全面的比较。ImageCAS 数据集包含了大量高质量的 CTA 图像，为冠状动脉分割算法的训练和评估提供了宝贵的数据资源。此外，该数据集还提供了一个基准测试平台，实现了多种现有分割方法的代码，方便研究人员进行公平的比较和评估。ImageCAS 数据集的发布促进了冠状动脉分割领域的研究，推动了冠状动脉分割算法的发展。

衍生相关工作

ImageCAS 数据集的发布推动了冠状动脉分割领域的研究，衍生出了许多相关的工作。例如，研究人员利用该数据集进行冠状动脉分割算法的研发，例如基于深度学习的分割算法，并通过实验验证其性能。此外，该数据集还促进了冠状动脉分割算法与其他领域的交叉研究，例如将冠状动脉分割算法应用于其他血管的分割，例如脑血管和肺血管。ImageCAS 数据集的发布为冠状动脉分割领域的研究提供了重要的数据资源，推动了冠状动脉分割算法的发展。