DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Cerebral Artery Segmentation

脑血管疾病（CVD）仍然是全球残疾和死亡的主要原因。数字减影血管造影（DSA）序列被认为是诊断CVD的黄金标准，可以清晰地可视化动态流动并揭示脑血管内的病理情况。因此，精确分割脑动脉（CA）并区分其主干和分支对于医生准确量化疾病至关重要。然而，由于小血管对比度低，血管和残留颅骨结构之间存在歧义，因此在DSA序列中实现准确的CA分割仍然是一项具有挑战性的任务。此外，缺乏公开可用的数据集限制了该领域的探索。在本文中，我们介绍了一种DSA序列为基础的脑动脉分割数据集（DSCA），这是第一个专门设计用于CA像素级语义分割的公开可访问数据集。此外，我们提出了DSANet，这是一种用于DSA序列中CA分割的时空网络。与现有的仅关注单个帧的DSA分割方法不同，所提出的DSANet引入了一个单独的时间编码分支，以捕捉跨多个帧的动态血管细节。为了增强小血管分割并改善血管连接性，我们设计了一个新颖的TemporalFormer模块，以捕捉顺序帧之间的全局上下文和相关性。此外，我们开发了一个时空融合（STF）模块，以有效地整合编码器中的空间和时间特征。广泛的实验表明，DSANet在CA分割方面优于其他最先进的方法，达到了0.9033的Dice系数。

DSA序列中的小血管低对比度、与残留颅骨结构的歧义等问题使得精确分割脑动脉仍然是一个具有挑战性的任务。此外，缺乏公开可用的数据集限制了该领域的探索。

论文提出了一种名为DSANet的时空网络，用于DSA序列中的脑动脉分割。该网络引入了一个独立的时间编码分支来捕捉多帧的动态血管细节，并设计了一个新颖的TemporalFormer模块来增强小血管分割和改善血管连接性。此外，论文还开发了一个Spatio-Temporal Fusion (STF)模块来有效地集成编码器的空间和时间特征。

该论文提出了一个名为DSCA的DSA序列脑动脉分割数据集，是第一个公开可用的专门用于像素级语义分割的数据集。实验结果表明，DSANet在脑动脉分割方面优于其他最先进的方法，并取得了Dice系数为0.9033的良好结果。

最近的相关研究包括：1.基于U-Net的脑动脉分割方法；2.基于卷积神经网络的DSA序列脑动脉分割方法；3.基于深度学习的DSA序列脑动脉分割方法。