[TMI 2025] DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Ce

论文信息

• 标题: DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Cerebral Artery Segmentation
• 期刊: IEEE Transactions on Medical Imaging, 2025
• 作者: Jiong Zhang等
• 机构: 中科院宁波材料所、浙工大等

---

创新点

1. 首个公开DSA脑动脉分割数据集：
   • DSCA数据集：含224条DSA序列（1792帧），标注主脉（MAT）与分支（BV），覆盖多种疾病（狭窄、烟雾病）。
   • 多厂商支持：包含Siemens、Philips等设备数据，分辨率多样。
2. 时空模型DSANet：
   • 双编码分支：时空编码分支（TEB）+ 空间编码分支（SEB），联合处理DSA序列与MinIP图像。
   • TemporalFormer模块：以帧为token建模全局时序上下文，提升小血管连通性。

---

摘要

DSA动态序列能清晰显示脑血管血流，但单帧分割易受低对比度血管和颅骨残留干扰。本文构建DSCA数据集，并提出DSANet模型：通过TEB捕捉多帧动态信息，SEB提取MinIP图像的空间特征，结合TemporalFormer与STF模块融合时空特征。实验表明，DSANet Dice达0.9033，优于20+基线模型，显著抑制误分割。

---

研究意义

1. 填补数据集空白：首个公开的DSA序列数据集，助力算法开发与临床研究。
2. 临床辅助：通过主脉/分支分类支持狭窄检测、手术导航等应用。
3. 方法普适性：模型适配2D/3D输入，适用于多种血管病变分析。

---

提出的方法

1. DSANet架构

   • 时空编码分支（TEB）：处理原始DSA序列，学习动态血流特征。
   • 空间编码分支（SEB）：输入MinIP图像，提取全局血管结构。
   • TemporalFormer：将帧特征视为token，通过多头注意力建模时序相关性。
   • STF模块：通过Max-Avg池化与通道注意力融合时空特征，抑制颅骨干扰。

2. 损失函数

   • 联合损失：交叉熵损失（CE Loss）+ Dice Loss，结合深度监督机制优化多尺度输出。

3. 实验结果

   • 性能对比：在DSCA和DIAS数据集上，Dice分别达0.9033和0.7837，显著领先UNet、TransUNet等。
   • 鲁棒性：输入扰动实验中，噪声强度0.2时仍保持Dice 84%，优于基线模型。