《Frontiers in Neuroinformatics》:A high-resolution dataset of mouse brain vasculature for deep learning-based reconstruction
编辑推荐:
血管网络重建是从生物成像数据中提取血管形态并建立其拓扑关系的关键步骤,对解析脑结构与功能、代谢及疾病机制具有重要科学意义。现有血管网络重建通常采用“先分割后重建”流程:首先从血管图像生成二值分割结果,再进行拓扑建模。然而,受血管直径差异显著、大血管腔内常出现空
血管网络重建是从生物成像数据中提取血管形态并建立其拓扑关系的关键步骤,对解析脑结构与功能、代谢及疾病机制具有重要科学意义。现有血管网络重建通常采用“先分割后重建”流程:首先从血管图像生成二值分割结果,再进行拓扑建模。然而,受血管直径差异显著、大血管腔内常出现空洞、毛细血管结构复杂且分布密集等因素影响,现有方法在重建精度上仍存在明显局限。为此,研究人员发布了一套带标注的小鼠脑脉管系统数据集。该数据集包含来自4只小鼠脑样本的60个尺寸为512×512×512的三维图像块,采集采用荧光显微光学切片断层成像(fluorescence micro-optical sectioning tomography, fMOST)技术,覆盖从大血管到毛细血管的多样结构形态,并对挑战性血管区域进行了详细标注。此外,研究人员提供了标准化的血管标注流程及相关工具。该数据集旨在作为基准资源,支持血管网络分割、重建及相关任务的算法开发、评估与比较。
该研究针对当前脑血管三维重建中因血管尺度跨度大、大血管腔体空洞、毛细血管密集粘连导致的拓扑错误问题,由研究人员在《Frontiers in Neuroinformatics》发表论文,发布了首个面向深度学习重建的小鼠全脑脉管高分辨率标注数据集。研究通过构建半自动化标注流程完成60个5123体素块的精细标注,涵盖大血管至毛细血管的完整结构;基准测试显示现有骨架化算法虽整体提取F1分数可达0.92,但分支点定位精度普遍低于0.7,证明拓扑连接重建仍是领域核心瓶颈。该数据集为血管分割与重建算法提供了标准化评测基准,对神经血管耦合、脑疾病机制研究具有重要支撑价值。
在开展研究过程中,研究人员主要采用以下关键技术方法:样本来源于4只8周龄雄性C57BL/6小鼠,经尾静脉注射DyLight 594染料标记血管后,使用荧光显微光学切片断层成像(fMOST)系统以1μm×1μm×2μm体素分辨率采集全脑连续冠状面图像,总数据量超3.8TB。标注环节采用人机协同半自动策略,基于BVLab软件平台开发专用标注模块,通过双视角射线交会与信号剖面分析实现血管中心点与半径的精准标注,结合SmartVision策略提升拓扑连接校正效率。模型训练采用标准3D U-Net架构,设计包含严格前景区(S1)、过渡区(S2)与预测前景区(S2*)的四分量联合损失函数(L1)优化分割性能。骨架提取选用经典细化法、体素挖掘法(voxel scooping)与VesselVio三种基线算法,采用基于中心线交点的F1分数评价体系,以3个体素(骨架追踪)与5个体素(分支点定位)为匹配阈值开展量化评估。
研究结果如下:
3.1 数据标注流程可靠性分析
研究人员通过对108个独立图像块的验证表明,半自动标注生成的监督概率图可有效引导3D U-Net产生可靠分割结果,自动与半自动分割的交并比(IoU)超过0.90,骨架提取F1分数达0.92。两名独立标注者在12个数据块上的标注结果显示,骨架与分支点的提取一致性极高,血管直径与分支角度的组间差异极小,证明该流程在保证标注质量的同时大幅提升了效率,单块(1963体素)平均标注时间仅需20分钟。
3.2 数据特征分析
数据集在血管尺度、信号强度与空间分布上表现出良好多样性。统计显示血管半径覆盖约2μm(毛细血管)至20μm(主干血管),局部毛细血管密度最高可达2000mm/mm3。部分区域信号强度均值低至10,信噪比(SNR)存在显著差异,其中弱信号与高密度区域的纳入为算法鲁棒性评估提供了关键依据。
3.3 骨架化算法基准分析
在三类基线算法的测试中,体素挖掘法表现最优,骨架提取平均F1分数为0.92,但所有算法的分支点定位精度均低于0.7,拓扑连接重建误差显著。图结构量化分析显示,自动算法与半自动标注结果的节点数最大差距可达100%。当直接对原始图像进行骨架提取时,整体精度急剧下降,证实高质量分割是拓扑重建的必要前提。
讨论与结论
研究人员指出,该数据集首次提供了覆盖多尺度脑血管结构的标注基准,其半自动标注流程与标准化评估协议有效解决了领域内公开基准缺失的问题。尽管当前数据集仅包含4只小鼠样本,且复杂区域仍依赖人工校验,但其揭示的“骨架提取高精度与拓扑重建低准确率并存”现象,明确了未来研究应聚焦于大血管形态学优化、基于图论的全局拓扑建模及智能后处理系统开发。研究同时提出“先矢量化后重建”的创新路径,建议通过定制化血管形态滤波器与分支点置信度估计进一步提升重建效率。该数据集与配套工具的发布,将为神经影像学、计算生物学及脑血管疾病研究提供重要的基础资源支撑。