DIAS：用于DSA序列中颅内动脉分割的数据集和基准|文献速递--基于深度学习的医学影像病灶分割
Title
题目
DIAS: 该数据集和基准用于在DSA序列中进行血管内动脉段分割
DIAS：用于DSA序列中颅内动脉分割的数据集和基准
01
文献速递介绍
脑血管疾病对全球死亡率和长期残疾的影响非常显著（Vaduganathan等, 2022）。近年来, 随着医学影像技术和造影技术的进步, 首要颅内动脉（IA）相关疾病, 包括颅内动脉狭窄症（ICAS）、大脑中动脉闭塞症（MCAO）以及颅内动脉瘤, 其死亡率有所降低（Hess, 2018）。在这一技术体系中, 数字减影血管造影（DSA）是一种先进的成像手段, 它通过拍摄了一系列图像来反映造影剂在血管中的动态分布, 通常持续约3至15秒, 采样率约为每秒3至5帧（Jin等, 2020）。DSA通过消除骨骼结构的影响, 增强了血液中注入造影剂的血管通道的清晰可见度。尽管其成像能力受到空间和时间分辨率限制, 但在CTA和MRA难以提供明确诊断的情况下,D SA仍能准确揭示病变细节（Hess, 2018）。因此,D SA被视为研究病变血管结构、解读动脉供血动态以及指导血管内介入的重要标准（Shaban等, 2022）。
Abatract
摘要
The automated segmentation of Intracranial Arteries (IA) in Digital Subtraction Angiography (DSA) holds a pivotal position in advancing the quantification of vascular morphology, playing a significant role in computer-assisted stroke research and clinical practice. Over time, current research has long focused on achieving IA segmentation within single-frame DSA using proprietary datasets. However, these methodologies encounter difficulties stemming from the inherent limitation of single-frame DSA, which only partially reveals vascular contrast, thereby compromising accurate vascular structural representation. In this study, we present DIAS—a specialized dataset meticulously crafted for IA segmentation tasks across DSA sequences. A comprehensive evaluation framework is established to benchmark DIAS under various conditions: full-sequence, weakly supervised, and semi-supervised IA segmentation approaches. Notably, we introduce the vessel sequence segmentation network—an innovative framework that effectively captures spatiotemporal representations of intravascular contrast through its sequence feature extraction module. This enables precise 2D+Time DSA-based IA segmentation. For weakly supervised IA segmentation tasks, we propose an original scribble learning-based image segmentation framework that integrates cross pseudo-supervision and consistency regularization to enhance network performance under limited annotated data scenarios. Additionally, we develop a random patch-based self-training framework aimed at addressing performance constraints arising from insufficient annotated DSA data availability. Extensive experiments conducted on the DIAS dataset validate the efficacy of our proposed methods as promising foundational techniques for future research and clinical applications
在数字减影血管造影技术（DSA）中对颅内动脉进行自动化分割，在血管形态学量化分析中扮演着至关重要的角色，并对计算机辅助治疗偏 White 病症及临床实践产生了深远影响。当前的研究工作主要集中于基于专有数据集对单帧DSA图像进行分割算法的设计与优化。然而，在这一领域仍面临诸多挑战：由于单帧DSA成像系统的局限性，在显示效果上存在明显不足；这种局限性直接影响到血管结构信息的真实性和完整性表示能力。针对这一问题，在本研究工作中我们提出了一个新的解决方案：构建了一个专门用于颅内动脉序列分割的数据集系统——DIAS（Deep Incremental Arterial Segmentation）。该系统旨在为全监督学习、弱监督学习以及半监督学习等不同层面的分割算法提供一个统一的基准评估平台。具体而言，在本研究中我们设计并实现了一个基于深度学习框架的血管序列分割网络模型；该模型通过创新性的时空特征提取模块实现了从2D到三维时空域内的血管对比剂信号的有效捕捉与建模；从而实现了高精度地完成颅内动脉序列的空间定位与形态重建任务。针对弱监督条件下IA（internal carotid artery）的分割问题；我们提出了一种新型图像分割框架——基于涂鸦学习的方法；这种方案能够在涂鸦标签引导下；结合交叉伪监督机制与一致性正则化手段；有效提升算法的学习效率与预测性能；同时解决了传统方法在标注数据不足时难以达到理想效果的问题。此外；为了进一步缓解标注资源有限所带来的性能瓶颈问题；我们还引入了一种基于随机采样的自训练框架体系；该体系能够通过主动学习的方式不断优化模型参数并提升模型鲁棒性。通过对DIAS数据集的大规模实验测试表明：所提出的一系列创新性算法方案不仅能够在理论上保证良好的收敛性和泛化性能；而且在实际应用中也展现出了较高的实用价值与推广前景
Method
方法
Automation of IA segmentation inDSA sequences represents a largely unexplored and complex research domain. To maximize exploration potential, a meticulously crafted benchmark for IA segmentation has been developed, aimed at systematically evaluating the DIAS dataset through state-of-the-art techniques such as FullySupervised Segmentation (FSS), Whole-Slide Segmentation (WSS), and Single-Slice Segmentation (SSS), all of which are increasingly attracting growing attention within the field of medical image analysis.
自动化颅内动脉（IA）在DSA序列中的分割因其复杂性而尚未得到充分研究。为深入探讨潜在的研究方向，本研究团队开发了一个科学规划的基准系统，在DAIS数据集上进行了系统性评估：具体而言包括基于全监督分割（FSS）、涂鸦学习分割（WSS）以及自监督学习分割（SSS）三种方法的技术整合与比较；这些创新方法已逐渐引起医学影像分析领域的关注与认可。
Conclusion
结论
In this research, we introduce the DIAS dataset, which combines pixel-level annotations with two distinct weakly-supervised annotation forms for IA segmentation. A benchmark has been established to evaluate IA sequence segmentation on the DIAS dataset, incorporating (1) a vessel sequence segmentation network designed to capture spatiotemporal representations in DSA angiography; (2) an innovative weakly-supervised segmentation framework that integrates scribble-supervision with consistency regularization; and (3) a strategic self-training framework based on random patches, tailored to leverage unannotated DSA data for improved segmentation performance. Through comprehensive experiments on the DIAS dataset, we validate the effectiveness of our proposed methodologies, shedding light on their performance characteristics and offering valuable insights for future research. Moving forward, our research will expand its scope to include additional segmentation targets such as veins and the segmentation of arteries from complete angiographic sequences. We emphasize that the DIAS dataset and its associated benchmark will be made publicly available, enabling researchers to replicate our work and explore novel algorithms in this domain.
本文主要介绍了用于处理DSA序列中颅内动脉（IA）分割的数据集DIAS。该数据集不仅提供了像素级别的精确标注，并且配备了两种形式的弱监督学习标记。针对DIAS数据集中的IA序列分割任务，本研究构建了一个性能基准：(1) 基于时空关系的血管序列分割网络；(2) 融合了涂鸦辅助学习和一致性正则化方法；以及(3) 采用随机采样块自监督学习框架，并策略性地利用未标注数据提升了分割性能。基于DIAS数据集展开的一系列实验研究表明：系统性评估表明我们提出的方法具有显著性能优势，并成功解析了其性能特性和潜在局限性。此外，在实验过程中还获得了对DSA技术在颅内动脉成像领域应用价值的重要认识，并对未来可能的研究方向进行了展望：除了扩展当前目标外，在静脉划分以及完整血管造影序列中的动脉划分等方面仍有许多值得探索的问题需要解决。值得注意的是：DIAS数据集及其相关基准将作为开放资源提供给研究者使用：这不仅有助于复现我们的研究成果，同时也为创新算法的发展提供了重要参考依据。
Figure
图
Fig. 1. A characteristic sample of intracranial vessels in a side-view obtained by DSA, where consecutive frames from t to t+5 depict the artery phase. In this illustration, a red arrow points to segments C1-C3 of the intracranial internal carotid artery (ICA), while another image depicts both the anterior cerebral artery (ACA) and middlecerebral artery (MCA).
在DSA成像过程中，在颅部内部选取一个具有代表性的样本进行观察，在这一样本图像中呈现出依次排列的动脉相位，在时间参数从t延续至t+5的时间范围内可见这些变化特征。在左上方部分（红箭头标注），清晰标示的是颅内颈内动脉（ICA）在C1至C3区域的具体走向；而右下方部分则分别展示了前脑动脉（ACA）和中脑动脉（MCA）的位置关系。
Fig. 2. Full annotated process of DIAS.
图2. DIAS的完整标注流程。
Figure 3 illustrates the fully annotated typical samples of DIAS in anterior-posterior and lateral views.
图3. DIAS在前后位和侧位的完整标注代表性样本。
Fig. 4展示了两种形式的手绘注释实例：具有有限临床经验的手绘注释（SALE）和基于完整注释的手绘随机绘制（RDFA）。其中红色表示血管像素的标注区域，蓝色表示背景像素的标注区域.
如图4所示展示了两类形式的例子第一类为基于较少临床经验和高精度注释技术相结合形成的SALE类涂鸦标记法第二类则采用完整的人体解剖注释数据构建了RDFA类方法在视觉效果上其中红色代表血管区域在图像中显示为深红色而蓝色则代表背景区域在图像中呈现为浅蓝色
注
图5展示了用于展示DSA序列颅内动脉分割基准方案的示意图。（a）为血管序列处理网络；（b）为特征提取模块；（c）WSS采用了基于涂鸦学习的技术进行血管分割，并包含涂鸦监督机制与一致性正则化方法；（d）SSS则采用了随机补丁策略构建自监督学习框架。WSC代表权重共享卷积、SF为序列融合、GMP是全局最大池化、WSD为权重共享下采样、DA是数据增强技术、WA为弱增强方法以及SA为强增强策略。
Fig. 6. Dimensionality reduction operation applied to 2D/3D models.
图6. 应用于2D/3D模型的降维操作。
Fig. 7. Visualization of segmentation results of state-of-the-art models. The first and third rows display images of the anteroposterior view, while the second and fourth rowspresent images of the lateral view. In the segmentation maps for various methods, red pixels indicate false negatives, and green pixels signify false positives. The white and blackpixels represent correctly segmented vessels and background, respectively.
图7展示了基于最新技术的图像分割结果可视化。前位和侧位图像分别出现在第一及第三页布局中；而第二及第四页则呈现了侧位图像配置情况。在多种对比实验中发现，在不同算法运行后的分割结果显示中：其中红色像素标记为假阴性区域；绿色像素标注为假阳性区域；白色区域对应真实血管轮廓；黑色区域代表背景区域划分结果。
Figure 8 illustrates the visualization technique of segmentation outcomes derived from annotation-guided segmentation methods trained on RDFA and SALE annotation datasets.
图8. 基于RDFA和SALE标注训练的涂鸦监督分割方法的分割结果可视化。
Fig. 9. Result of iterative training with different amounts of labeled data
图9. 在不同数量的标注数据下进行迭代训练的结果。
Fig. 10. The first row displays the rendering of various inputs, while the second row presents the associated segmentation analysis.
图10. 第一行为各种输入的可视化，第二行为相应的分割结果。
Table
表
Table 1Summary of several public vessel segmentation datasets
表1 多个公开血管分割数据集的总结
表2展示了基于全监督分割技术的性能评估结果。其中绿色、蓝色和红色分别对应每个指标在二维、三维以及三维到二维方法中的最高得分
表2展示了基于最先进模型的全监督分割效果。其中绿色、蓝色和红色分别标记了不同方法下的最佳分数。
Table 3Results of Scribble-supervised IA sequence segmentation
表3 基于涂鸦监督的颅内动脉序列分割结果
表4展示了基于SALE注释的SSCR方法在IA序列分割任务中的消融研究结果。（pCE：部分交叉熵；PS：伪标签监督；CPS：交叉伪监督；CR：一致性正则化）
表4 基于 SALE 标注的 SSCR 头部血管序列分割消融研究结果。（pCE：部分交叉熵损失函数；PS：伪标签监督机制；CPS：交叉伪监督策略；CR：一致性正则化方法）
Table 5 presents the ablation study results of RPST for semi-supervised IA sequence segmentation.
表5 半监督颅内动脉序列分割中RPST的消融研究结果。
Table 6Results of fully-supervised segmentation with various input.
表6 使用各种输入进行全监督分割的结果。