[论文解读] IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning

Xi Yang, Ding Xia+2 more|arXiv (Cornell University)|Mar 2, 2020

3D Shape Modeling and Analysis参考文献 48被引用 6

一句话总结

本文介绍了IntrA，一个开放获取的3D颅内动脉瘤数据集，包含多种网格标注的动脉瘤片段、健康血管以及完整的脑血管模型，支持先进的3D分类与部分分割深度学习研究。该研究对最先进的基于点、基于网格和基于体素的网络进行了基准测试，表明在复杂不规则的动脉瘤几何结构上，基于点和基于网格的模型表现更优。

ABSTRACT

Medicine is an important application area for deep learning models. Research in this field is a combination of medical expertise and data science knowledge. In this paper, instead of 2D medical images, we introduce an open-access 3D intracranial aneurysm dataset, IntrA, that makes the application of points-based and mesh-based classification and segmentation models available. Our dataset can be used to diagnose intracranial aneurysms and to extract the neck for a clipping operation in medicine and other areas of deep learning, such as normal estimation and surface reconstruction. We provide a large-scale benchmark of classification and part segmentation by testing state-of-the-art networks. We also discuss the performance of each method and demonstrate the challenges of our dataset. The published dataset can be accessed here: https://github.com/intra3d2019/IntrA.

研究动机与目标

• 为解决深度学习研究中缺乏大规模、开放获取的3D颅内动脉瘤医学数据集的问题。
• 利用真实患者来源的3D动脉瘤网格与专家标注，为3D几何深度学习模型提供基准。
• 开发工具与数据处理流程，用于从完整血管模型中生成和标注3D动脉瘤片段。
• 评估并比较最先进的3D深度学习模型（基于点、基于网格、基于体素）在临床相关的3D动脉瘤分割与分类任务中的性能。
• 识别3D动脉瘤分割中的挑战，特别是针对形状不规则、结构复杂的动脉瘤，并为未来模型开发提供指导。

提出的方法

• 该数据集包含116个专家标注的3D动脉瘤片段、1,909个自动生成的血管片段（含或不含动脉瘤），以及103个完整的脑血管模型。
• 所有动脉瘤和血管片段均以流形网格表示，以保持几何保真度，并支持基于表面的学习。
• 开发了定制的数据处理流程，利用分割与提取技术从完整血管模型中生成3D动脉瘤片段。
• 开发了交互式标注工具，以实现在3D网格表面上对动脉瘤和健康血管部分的精确标注。
• 本研究采用5折交叉验证，对10种最先进的3D深度学习模型在分类与部分分割任务中的表现进行了评估。
• 性能通过Dice相似系数（DSC）和交并比（IoU）进行衡量，报告了95%的置信区间。

实验结果

研究问题

• RQ1 不同3D深度学习架构（基于点、基于网格、基于体素）在分类与分割复杂不规则颅内动脉瘤方面的表现如何？
• RQ2 在形状、大小和分支模式高度可变的3D动脉瘤分割中，主要挑战是什么？
• RQ3 基于网格和基于点的模型是否在真实患者来源的3D血管网格上比基于体素的模型具有更好的泛化能力？
• RQ4 输入分辨率或点数如何影响不同网络类型在分割精度与鲁棒性方面的表现？
• RQ5 几何信息（如连通性与测地距离）在提升复杂3D动脉瘤表面分割性能方面起到什么作用？

主要发现

• 基于点的模型（如PointNet、PointCNN）在分类任务中表现最佳，其中PointCNN在2,048个输入点下达到93.59%的准确率。
• 基于网格的模型（如MeshCNN）在部分分割任务中表现优异，动脉瘤部分的DSC为81.22–89.64%，健康血管部分的DSC为46.53–64.73%。
• 基于体素的模型（如SSCN-F、SSCN-U）分割性能较低，动脉瘤部分的DSC为83.48–87.00%，健康血管部分为40.64–48.54%。
• PointGrid（一种体素-网格混合模型）表现最弱，动脉瘤部分DSC低于76%，健康血管部分低于40%。
• 表现最佳的模型（PointCNN，输入点数为2,048）在动脉瘤部分达到95.43%的DSC（95%置信区间：71.39–91.33%），在健康血管部分达到81.36%的DSC（95%置信区间：71.88–91.59%）。
• 结果表明，对于复杂且非均匀的3D动脉瘤几何结构，基于点和基于网格的模型在泛化能力上优于基于体素的模型，尤其在细粒度分割任务中表现更优。