IntrA

IntrA数据集是由计算与流体研究组在CEMEF，巴黎矿业大学PSL创建的，专注于评估不同动脉瘤形状的流体-结构相互作用基准设置。该数据集包含三个真实的动脉瘤穹顶，位于环形通道上，提供了所有几何特征、网格特性、流量量以及与刚性壁模型的比较和相应的图表。数据集的应用领域在于通过模拟患者特定的内血流动力学，帮助医生在治疗规划中评估破裂风险，解决动脉瘤生长和破裂的问题。Created by the Computational and Fluid Dynamics Research Group at CEMEF, Mines Paris, PSL University, the IntrA dataset is dedicated to benchmarking fluid-structure interaction setups for various aneurysm shapes. It contains three realistic aneurysm domes mounted on annular flow channels, and provides comprehensive geometric characteristics, mesh properties, flow quantity data, comparative analyses against rigid-wall models, as well as corresponding supporting figures. The dataset is designed to help clinicians evaluate rupture risk during treatment planning by simulating patient-specific intravascular hemodynamics, addressing the clinical challenges of aneurysm growth and rupture.

搜集汇总

数据集介绍

构建方式

IntrA数据集构建始于对颅内动脉瘤患者的TOF-MRA影像进行三维重建，由两位神经外科医生采用多阈值方法交互式分离并修复动脉瘤节段，再经高斯平滑处理。随后，利用自主开发的标注与节段生成工具，从完整模型中自动提取1909个血管节段，并由医学专家手动标注其中116个动脉瘤节段。最终通过MeshLab滤除冗余面片与顶点，确保模型为流形网格，并计算测地距离矩阵以辅助深度学习训练。

特点

该数据集包含103个完整脑部血管模型、1909个自动生成节段及116个经专家标注的动脉瘤节段，兼具小样本与高多样性特征，涵盖分叉型、主干型、水泡型及混合型等所有颅内动脉瘤类型。其独特之处在于提供点云与网格两种三维表征，并附有法向量与测地距离信息，可支持基于点、网格及体素的多类深度学习算法，但存在正负样本不均衡及形状复杂等挑战。

使用方法

数据集适用于两类核心任务：一是动脉瘤诊断，即通过将患者血管节段输入分类网络（如PointNet++、PointCNN）进行二分类；二是动脉瘤部分分割，利用标注的116个节段训练分割模型（如SO-Net、PointConv）以精确提取瘤颈边界。此外，其提供的法向量与测地距离矩阵还可拓展用于法向估计、曲面重建等几何深度学习研究，用户可从GitHub仓库直接下载数据并参考论文基准测试配置接口。

背景与挑战

背景概述

颅内动脉瘤是一种危及生命的脑血管疾病，其精准诊断与术前规划对降低破裂风险至关重要。传统依赖二维医学影像的诊疗方式在捕捉三维血管拓扑结构方面存在固有局限，而基于三维表面模型的分析能够更清晰地呈现动脉瘤颈等关键解剖特征。为弥合医学影像与几何深度学习之间的鸿沟，东京大学杨曦、金太一等研究人员于2020年发布了IntrA数据集，这是首个面向颅内动脉瘤的开源三维数据集。该数据集包含103例完整脑部血管三维模型、1909个自动生成的血管节段以及116个由神经外科专家手动标注的动脉瘤节段，旨在推动基于点云和网格的深度学习方法在动脉瘤诊断与分割中的应用，为术前夹闭手术的自动化分析提供基准。

当前挑战

IntrA数据集面临的核心挑战在于医学数据固有的稀缺性与异质性。首先，动脉瘤形态多样，从微小囊泡到巨大分叉型病变均有涵盖，且健康血管与病变区域在点云数量上严重不平衡，导致分类与分割模型易对小尺寸或非典型动脉瘤产生误判。其次，三维模型的构建过程极具难度：原始MRA影像需经多阈值重建并由神经外科医生手工修复非流形网格，单次完整建模耗时约50个工作日，数据清洗与标注还需额外8小时专业操作。此外，基于欧氏距离的传统点云方法难以捕捉血管曲面的测地线结构，在复杂分支区域常将动脉瘤点错误归类为健康血管，这要求网络必须整合曲面拓扑信息才能实现鲁棒分割。

常用场景

经典使用场景

IntrA数据集的核心经典使用场景在于利用三维颅内动脉瘤的流形网格与点云表示，驱动基于点与网格的深度学习模型进行动脉瘤的二元分类与部件分割。该数据集提供了完整的脑部血管三维模型、自动生成的血管片段以及由神经外科专家手工标注的动脉瘤片段，为几何深度学习在医学影像分析中的应用搭建了桥梁。研究者可借此评估PointNet、PointNet++、PointCNN、MeshCNN等前沿网络在非欧几里得医学数据上的泛化能力，尤其适用于处理血管这类具有复杂拓扑结构的流形对象。

实际应用

在实际临床应用中，IntrA数据集支撑了动脉瘤自动诊断系统的开发，通过将完整脑部血管模型自动切割为片段并进行分类，辅助医生快速筛查病变区域。其最关键的实用价值在于为动脉瘤夹闭手术提供术前规划支持：精确的动脉瘤颈部分割结果可直接用于提取夹闭操作的边界线，从而减少手术风险并缩短术前准备时间。此外，该数据集还可用于神经外科虚拟现实训练系统，提升住院医师对复杂动脉瘤形态的认知与操作熟练度。

衍生相关工作

IntrA数据集的发布催生了一系列相关研究工作。在方法层面，研究者基于其流形特性改进PointNet++，引入测地距离信息以增强对血管曲面的空间感知；PointConv和MeshCNN则利用其网格结构学习局部几何滤波参数，在分割任务中展现出卓越性能。在基准测试方面，该数据集被用于系统性对比11种点云、体素与网格方法在医学三维分割上的表现，揭示了小尺寸动脉瘤与多动脉瘤片段是当前模型的共同挑战。此外，其标注工具与数据处理流水线为后续医学三维数据集的构建提供了可复用的范式。