Circle of Willis 中心线图：数据集与基线算法
计算机视觉与模式识别
2025-10-16 v1
摘要
Circle of Willis（CoW）是大脑中至关重要的动脉网络，常涉及脑血管病变。体素级分割是实现自动化 CoW 评估的重要第一步，但需要中心线表征才能进行完整的定量分析。然而，传统的骨架化技术往往难以从 CoW 复杂几何中提取可靠的中心线，且公开可用的中心线数据集仍较稀缺。为此，我们采用基于厚密的骨架化算法，从 TopCoW 数据集中提取并精选中心线图和形态特征，数据集包含 200 名卒中患者，每位患者均接受 MRA 和 CTA 扫描。所提炼的图用于开发中心线和特征提取的基线算法，结合基于 U-Net 的骨架化与 A\* 图连接。性能在 held-out test 集上评估，关注解剖准确性和特征鲁棒性。进一步，我们利用提取的特征预测胎儿 PCA 变体频率，确认理论的 bifurcation 最优性关系，并检测细微的模态差异。基线算法在图拓扑上始终以高准确性（F1=1）重建，且参考图与预测图之间的平均欧几里得节点距离小于一个体素。诸如 segment 半径、长度、bifurcation 比等特征表现出强鲁棒性，中位数相对误差低于 5%，Pearson 相关系数高于 0.95。我们的結果表明，结合基于学习的骨架化与图连接对于从解剖上可信的中心线提取具有实用性。我们强调，仅通过简单体素级度量不足以评估，其重要性在于评估解剖准确性和特征鲁棒性。该数据集与基线算法已公开，以支持进一步的方法开发和临床研究。
引用
@article{arxiv.2510.13720,
title = {Circle of Willis Centerline Graphs: A Dataset and Baseline Algorithm},
author = {Fabio Musio and Norman Juchler and Kaiyuan Yang and Suprosanna Shit and Chinmay Prabhakar and Bjoern Menze and Sven Hirsch},
journal= {arXiv preprint arXiv:2510.13720},
year = {2025}
}