IntrA (intra) — AI-Ready Wikipedia

INFOBOX — IntrA 一屏速览

维度	内容
本质	首个开放获取的 3D 颅内动脉瘤数据集：点云+网格表示，非体数据、非 2D 影像
团队	东京大学 Igarashi 实验室 + 神经外科（Taichi Kin）；Ding Xia 双挂华南理工大学
论文	CVPR 2020 Oral（DOI 10.1109/CVPR42600.2020.00273；arXiv:2003.02920，v1 2020-03-02）
数据	103 完整脑血管模型 / 1909 血管段（1694 健康+215 动脉瘤）/ 116 手工标注段
来源	TOF-MRA（512×512×180~300 切片，0.469×0.469×1 mm）重建；原始 2D MRA 因伦理不发布
修复成本	双神经外科医生 Amira 交互修复约 50 工作日；116 段标注一名医生 8 小时
附加资产	每个标注段附 N×N 测地距离矩阵（热方程快速近似法）；标注/段生成/可视化工具
分类基准	2025 段 5 折：PN++（1024）动脉瘤准确率 88.51%；PointCNN（2048）血管 98.95%、F1 0.9044
分割基准	116 段 5 折：SO-Net（2048）瘤体 IoU 81.40%/DSC 88.76%；PointConv 血管 IoU 94.65%
效率	PN++ 5 s/epoch 最快；PointCNN 24 s/epoch 最慢；总训练超 92 小时
动脉瘤类型	分叉型/主干型/水泡型/混合型四型全覆盖
获取	官方 Google Drive 直链｜OpenDataLab 镜像 2.3GB｜HuggingFace 无官方镜像
许可	无正式 license 文件——引用论文惯例；商用合规自评
生命周期	2019-11 数据先行公开；2020-04-08 后仓库静默；数据无版本号（§8.5）
库内互链	两轮 DB 实证共 18 条（§10/附录 V）：imagecas(549)、drive(241)、brats(24)、luna16(237)、medmnist(716)、totalsegmentator(422) 等

IntrA 是一个"把颅内动脉瘤从 2D 切片抬到 3D 表面"的数据集工程：东京大学团队把 103 例患者 TOF-MRA 的数百张 2D 切片重建为完整脑血管表面模型，由两名神经外科医生花费约 50 个工作日手工修复，再自动切分为 1909 个血管段、由专家逐点勾画出 116 个动脉瘤段，并附上每个标注段的测地距离矩阵。它是医学影像里少见的"点云/网格原生"数据集——用 PointNet++、MeshCNN 这类 3D 深度学习网络直接在血管表面上做诊断分类与瘤体分割，而非在体数据上跑 3D 卷积。

导语读法三则：

1. 只想下数据：直奔 §7 获取与许可——注意官方只有 Google Drive 直链且无 LICENSE 文件，引用与商用问题先想清楚。
2. 关心 3D 深度学习选型：直奔 §4 基准——17 种网络的分类/分割全表与"测地信息到底值不值"的定量答案。
3. 做神经外科 CAD 系统：直奔 §3 构建流水线与 §5——50 工作日的修复成本、8 小时的标注效率、四型动脉瘤的覆盖面，决定了这个数据集能支撑什么级别的临床宣称。

§0 导读：这个数据集解决什么问题

颅内动脉瘤是脑血管壁的气球状膨出，破裂即蛛网膜下腔出血，死亡率极高；主流外科治疗是夹闭（clipping）——在瘤颈处夹一枚微夹子把它从血流中隔离。术前规划的关键动作是看清瘤颈边界：夹子位置和姿态的决策至今高度依赖医生基于 2D MRA/CT 影像的"临床判断"。在模拟真实神经外科的手术支持系统中，动脉瘤分割精度直接决定瘤颈提取质量，是整条链路最要命的一环。

为什么此前没有好的自动方法？两个结构性原因。其一，2D 影像把算法锁死在像素/体素范式里：基于 MRA 体数据的 3D 卷积方法把血管、颅骨背景、噪声一起喂进网络，血管本身只占体数据的极小部分，算力浪费且精度受限（后续对比实验中 voxel 法 DSC 仅 46%）。其二，3D 表面数据集是空白：计算机视觉的 3D 基准（ModelNet、ShapeNet）全是 CAD 刚体，医学侧几乎没有开放的结构化 3D 表面标注——数据采集贵、标注主观、医学共享难，三重门槛叠加。

IntrA 的回答是"把战场搬到血管表面"。第一层是数据：103 个完整脑血管 3D 表面模型 + 1909 个自动切分血管段 + 116 个专家逐点标注的动脉瘤段，全部以点云/网格发布，每个标注段附测地距离矩阵——直接对接 PointNet/PointNet++/MeshCNN 等 3D 网络。第二层是工具：段自动生成、交互式边界标注、可视化质控三件套开源，流水线可复制。第三层是基准：17 种当时最先进的 3D 网络（点/体素/网格三派）在同一划分下 5 折交叉验证，给出分类与分割两个任务的完整基线——这是该领域第一个系统性 benchmark。

§0 读法三则：

1. 这个条目是"数据集+标注工具箱+基准"三合一：本体是 103+1909+116 三层数据结构，工具是开源 Python 脚本，基准覆盖 17 网络——三者许可与获取方式见 §7。
2. 全文统计数字均出自论文正文与表格（arXiv v2 全文核对）；页码、引用数等存在多口径冲突处在坑点与附录 L 存照。
3. 检索时注意：官方 GitHub 组织是 intra3d2019——CVF 官方摘要页转写成了 intra2d2019，照着错误地址找仓库会一无所获（坑 1）。

§1 数据集速览：十问十答

Q1：IntrA 到底有哪几层数据？
三层：①103 个完整脑血管 3D 模型（TOF-MRA 重建+人工修复）；②1909 个自动生成的血管段（1694 健康+215 含动脉瘤），供分类；③116 个动脉瘤段由医学专家手工逐点标注（0=健康血管/1=动脉瘤），供部件分割。分类任务实际把②③合并为 2025 段使用。

Q2：3D 模型怎么来的？原始影像在哪？
每例患者的 TOF-MRA 包含 512×512×180~300 张 2D 切片（体素 0.469×0.469×1 mm），用单阈值法重建表面，再由两名神经外科医生在 Amira 里交互式多阈值修复+高斯平滑——约 50 个工作日。原始 2D MRA 因医学伦理不发布，你拿到手的只有修复后的表面模型。

Q3：血管段是怎么切出来的？
随机在完整模型上选点，沿血管表面取测地距离小于阈值的邻域生成段；为提高含瘤段数量，部分点由人工指定；生成后用可视化工具剔除形态模糊或只含琐碎组件的段。段内点数约 500~1700。

Q4：116 个标注段怎么标的？
自研交互标注工具：专家点击若干边界点，系统沿最短路径连成闭合曲线，再在瘤内选一个点，算法沿表面网格从该点向边界泛洪传播，圈定动脉瘤区域。支持多条边界线（可处理多动脉瘤段）。一名神经外科医生共花 8 小时完成全部 116 段。

Q5：测地距离矩阵是干什么用的？
血管是细长蜿蜒的管状流形，两个在欧氏空间很近的点沿血管壁可能很远。矩阵按"表面最短路"存储 N×N 点对距离（热方程快速近似法预计算），供网络把测地信息作为特征——PN++g 就是这么来的。代价是内存：点数上千的段，矩阵本身就是大对象。

Q6：分类基准谁最强？
分两列看：识别动脉瘤（临床最关心）是 PointNet++（1024 采样点）88.51%；识别健康血管与 F1 是 PointCNN（2048）98.95%/0.9044。PointNet 系在采样点充足时始终强势，PointNet 最弱（动脉瘤侧 69.50%）。

Q7：分割基准谁最强？
同样分两列：瘤体 IoU/DSC 最高是 SO-Net（2048）81.40%/88.76%；血管侧 IoU/DSC 最高是 PointConv（2048）94.65%/97.18%。体素派（SSCN/PointGrid）与 PointNet 明显落后（瘤体 IoU 40-61%）。

Q8：测地信息（-g 版本）提升多大？
有限但关键场景有用：PN++g 相比 PN++，瘤体 IoU 76.21→76.95、DSC 84.64→85.18——均值层面不到 1 个点；但在双动脉瘤等复杂拓扑段上，PN++g 与 PointConv 是唯二保持良好分割的方法。测地信息的价值在难例不在均值。

Q9：我现在能拿到什么？
官方 Google Drive 文件夹直链（数据+工具+论文+补充材料）；OpenDataLab 镜像 2.3GB（需注册）；HuggingFace 无官方镜像。注意没有 LICENSE 文件——使用许可是"引用论文"的学术惯例，商用要自评风险。

Q10：为什么它对 AI-Ready 重要？
它是"小而精、表面原生、临床直达"的 3D 医学数据集样本：数据+工具+基准三件套全开源可复现，但 license 缺位与单一直链托管是其 AI-Ready 短板；103 例的体量也提醒使用者——它是基准和原型工具，不是大规模预训练语料。

Q11：数据集"年龄"影响使用吗？
数据与基准成稿于 2019-2020：参与对比的是 2017-2019 年的 3D 网络（§6.1）。作为"经典基准+方法学切片"仍有效，第三方 2024-2025 年的工作仍在对照（§8.3）；但把它当 SOTA 清单用就过时了——新方法需要自己补测。

Q12：103 例来自同一台设备吗？
不可知——设备型号、扫描机构、患者年龄/性别分布论文均未披露（只能从临床合作单位推断东大医院）。做跨设备泛化研究时这是硬空白（§2.9）。

Q13：测地矩阵覆盖所有段吗？
不。矩阵只随 116 个标注段提供；1909 个生成段没有测地矩阵（§2.5）。想在生成段上用测地特征需要自己按热方程法重算（FAQ Q28）。

Q14：能查到每个动脉瘤的类型（分叉/主干/水泡/混合）吗？
论文宣称四型全覆盖（§2.6），但数据包未提供逐段类型标签——按段查类型不可行。类型信息只体现在论文的覆盖声明与形态图示里。

Q15：这个数据集"还活着"吗？
官方维护自 2020-04 静默（§8.5），但三条生命线还在：直链与镜像可获取、社区持续使用（2024-2025 年仍有第三方工作）、基准协议可完整复现。“没人维护"不等于"不能用”，但意味着出了问题没人修——复核清单见附录 S。

§2 数据构成与规格：三层数据结构

2.1 三层结构总览

IntrA 的数据组织是一个自上而下的三层金字塔，每层服务不同任务：

层	内容	数量	来源	主要用途
L1 完整模型	全脑血管表面 3D 模型	103	TOF-MRA 重建+双神经外科医生修复	段生成原料；全脑血管形态学研究
L2 生成段	自动切分血管段	1909（1694 健康 + 215 动脉瘤）	随机选点+测地阈值邻域	二分类诊断（与 L3 合并成 2025 段）
L3 标注段	专家逐点标注动脉瘤段	116	交互工具闭合边界+泛洪勾画	部件分割（瘤体 vs 血管）；瘤颈提取研究

三层是严格的生产关系：没有 L1 就没有 L2/L3；L2 的切分质量靠可视化工具人工把关；L3 的 116 段是全数据集标注密度最高的部分——每个点都有二分类标签。研究者最容易犯的错是把三层混为一谈："103 个模型"与"1909 个段"是不同粒度的对象，论文图表里三类数据并列展示但语义不同。

2.2 L1 完整模型：从切片到表面

属性	规格
原始影像	TOF-MRA（时间飞跃法磁共振血管造影），人体全脑
切片数/例	512×512×180~300 张 2D 切片
体素间距	0.469×0.469×1 mm
重建方法	单阈值法（Hoogeveen 等 1998 的经典阈值分割流程）
修复流程	双神经外科医生交互式多阈值法（Kin 等 2012）分离动脉瘤段+高斯平滑，Amira 2019（Thermo Fisher）
修复成本	约 50 个工作日（全部 103 例）
后处理	MeshLab 去重复面/顶点、手工分离孤立碎片、消除非流形边、逐点生成法向量
发布状态	表面模型发布；原始 2D MRA 因医学伦理不发布

50 个工作日的修复成本是这个数据集最被低估的数字。单阈值重建得到的表面充满噪声、破洞与非流形结构，直接可用于深度学习的"干净"表面完全依赖神经外科医生逐例手工修复——两名医生、50 个工作日、103 例，折算约每人每例 2 个工作日。这也是 3D 医学表面数据集稀缺的根本原因：采集可以批量，修复无法批量。

2.3 L2 生成段：自动切分与人工筛选

血管段生成的算法逻辑两行就能说完：在完整模型上随机选种子点，收集沿血管表面测地距离小于阈值的邻近点，构成一个段。但三个工程细节决定了段的实际质量：

1. 阈值即尺度：测地距离阈值决定段的大小——论文统计段内点数约 500~1700（对应测地距离 30 的采样密度）。阈值选小了段太碎（看不出解剖语境），选大了段太整（健康区稀释瘤体信号）。
2. 手动补选：纯随机选点命中的含瘤段比例有限（动脉瘤在全脑血管表面占比很小），团队对部分种子点做人工指定以提高 215 个动脉瘤段的产出。
3. 可视化质控：用自研 show_ann_data.py/show_result.py 逐段检查，剔除形态模糊或只含琐碎组件的段——"生成 1909 个"是筛选后的存活数，不是生成总数。

2.4 L3 标注段：116 段的逐点工艺

标注的对象是"动脉瘤段"——含瘤的血管片段，专家在段内逐点划分"健康血管"与"动脉瘤"两类。工具交互三步：点击若干边界点→最短路径连成闭合曲线→段内任选一点向边界泛洪传播圈定瘤区。多边界线支持让同一工具能同时完成"动脉瘤与血管分离"和"动脉瘤段与整模型分离"两级任务。

116 段由一名神经外科医生 8 小时完成。对比修复的 50 工作日，标注环节快得多——因为工具把"画每个点"压缩成"画一条闭合曲线+点一下"，泛洪算法接管了曲线内部的所有点。这是交互式标注工具价值的最直接量化：同样的逐点标签，人工成本差出一个数量级以上。

需要注意标注粒度的临床含义：116 段的标签是"每个点属于瘤体还是血管"，因此能直接训练逐点分割网络并提取瘤颈（瘤体与血管交界线）；但它不包含瘤颈的显式曲线标注、破裂与否、位置解剖命名、尺寸测量等临床细粒度信息——后者仍需研究者自行派生。

2.5 附加资产：测地距离矩阵

每个标注段附带 N×N 测地距离矩阵（N=该段点数），由求解表面热方程的快速近似测地法（Crane 等 2013）预计算。设计动机有三：血管形状下测地距离比欧氏距离更真实；预计算把训练时的重复计算一次性前置；N×N 直接可查无需运行时构建。

使用成本提示：点数 1700 的段，矩阵约 290 万个浮点值；全部 116 段的矩阵体积不可忽略。若你的网络只用 K 近邻而不需要全点对测地值，可以做稀疏化裁剪再喂给训练管线。

2.6 动脉瘤类型学：四型全覆盖

论文宣称覆盖医学上全部四种颅内动脉瘤形态类型：

类型	形态学特征	分割难度要点
分叉型 bifurcation	发生于血管分叉处	多支血管汇流，边界曲率变化剧烈
主干型 trunk	沿血管主干壁膨出	瘤体与载瘤血管管径渐变，边界模糊
水泡型 blister	血管壁局部菲薄隆起	体积小、隆起浅，最易漏检漏分
混合型 combined	上述形态并存	多瘤体共存段，一段双瘤是公认难例

论文强调数据"小而多样"（small but diverse）：绝对数量不大（103 例），但形状与尺度差异大，段内瘤体占比从微小到显著均有分布。这直接决定了基准成绩的解读方式——均值数字掩盖了难例，见 §4.5。

2.7 与 2D/体数据的关系边界

使用前必须明确三件事不是 IntrA 提供的：原始 2D MRA 切片（伦理限制不发布，做 2D MRA/MIP 研究请另寻数据集）；体素级血管分割掩码（本数据集只有表面模型，无体数据掩码）；患者级元数据（年龄、性别、病程、设备型号、扫描机构均未披露）。IntrA 是"表面模型+逐点标签"的数据集，任何需要回到原始影像或体数据的用法都不在其设计范围内。

2.8 数字-文件映射：下载后核对什么

IntrA 发布没有逐文件 manifest，也没有 checksum——下载完整性只能靠"层数量-文件粒度-可加载性"三步间接核对。对照表如下：

检查对象	论文口径数量	文件粒度	核对方法	不符时的第一反应
L1 完整模型	103	逐模型 3D 表面文件（OBJ 系）	逐个可加载、顶点/面数非零	核对下载源是否完整（对照 OpenDataLab 2.3GB 口径）
L2 生成段	1909（1694 健康 + 215 含瘤）	逐段文件，健康/含瘤分列	分列计数相加是否等于 1909	确认健康与动脉瘤两个子集都数了
L3 标注段	116	逐段点 + 逐点标签（0/1）	数量核对 + 标签值域检查	区分"含瘤生成段"与"标注段"两套口径（坑 3）
测地矩阵	与标注段一一对应	逐段 N×N 矩阵	形状对齐段点数、对角为 0	矩阵与段文件版本是否配套
工具	4 件套脚本	annotation / random_pick / selection / 可视化	直接运行自测	与仓库 tools 目录及 README 对读

三条解读：

1. 没有 manifest 的代价：无法做哈希级校验，只能按数量与可加载性核对；OpenDataLab 镜像同样未公布 checksum。对跑基准影响有限，对需要长期归档的团队，建议下载后自建 manifest 再入库。
2. 两套"215/116"别混：215 个含瘤生成段（只有段级标签）与 116 个标注段（逐点标签+测地矩阵）是不同对象；数文件时按目录语义分桶，不要用总数一刀切。
3. 工具栈有年代：仓库成稿于 2019-2020 年，工具按当时 Python 生态编写；现代环境运行前先做依赖隔离（虚拟环境），不要在系统 Python 里直接跑。

2.9 数据包边界：什么不在里面（完整清单）

§2.7 讲了"与 2D/体数据的关系边界"，这里把"不随数据包发布"的内容一次列全，每项给替代路径：

不在包里	原因	替代路径
原始 2D MRA 切片	医学伦理，明确不发布	体数据研究转 ADAM（TOF-MRA）/LargeIA（CTA），见 §6.4
体素级血管/瘤体掩码	只有表面表示	同上；或自行从表面模型栅格化（注意范式差异，§6.5）
患者级元数据（年龄/性别/例数/机构/设备）	论文未披露	无替代；人群亚组分析不可行
瘤颈显式曲线、破裂状态、位置解剖标签	标注只到逐点二分类	可基于 116 段自派生（瘤体-血管交界线即瘤颈近似，FAQ Q30）
逐文件 manifest 与 checksum	官方未提供	自建（见 §2.8）
官方训练/评测代码	只发布工具+协议描述	各网络用原作者开源实现接入（§4.1 协议）
HuggingFace 镜像	无官方镜像（2026-09-29 核实）	自行下载后转 HF 格式
LICENSE 文件	仓库无 license、镜像标未知	引用论文惯例；商用先联系作者（§7.2）

一句话总结：IntrA 给的是"重建+修复+切分+标注"这条流水线的最终产物与工具，上游原始数据与下游训练代码都留白了——留白处分别由 ADAM/LargeIA（上游体数据）与各网络官方实现（下游训练）补位。

§3 构建流水线：从 2D 切片到可训练表面

3.1 五阶段流水线总览

论文给出的处理流水线（Pipeline）可拆为五个阶段，每阶段的产物与质量责任：

阶段	动作	工具/方法	产物
1 重建	单阈值法从 TOF-MRA 切片重建表面	经典阈值分割（Hoogeveen 1998）	噪声表面模型
2 修复	交互式多阈值分离动脉瘤段+高斯平滑	Amira 2019，双神经外科医生，~50 工作日	解剖学正确的完整模型
3 清洗	去重复面/顶点、去孤立碎片、消除非流形边、生成法向量	MeshLab 滤器+手工分离	流形网格
4 切分与标注	血管段生成+116 段逐点标注	自研 random_pick/selection/annotation 工具，8 小时	1909 段+116 标注段
5 测地预计算	每个标注段计算 N×N 测地矩阵	热方程快速近似法（Crane 2013）	测地距离矩阵

3.2 为什么必须人工修复

重建得到的原始表面有三个医学上不可接受的问题：噪声（阈值分割把伪影当血管）、破洞（血流慢的区域信号弱）、解剖残缺（细小分支断裂）。论文明确指出非流形网格无法直接喂给 MeshCNN 这类网格卷积网络，而现有自动流形化算法（如 Huang 等 2018）“不删除孤立组件且明显改变模型形状”——对医学应用不可接受。因此选择全人工修复：这 50 个工作日买来的是"每个模型都解剖学正确"的质量保证，也是论文敢把数据集称为 ideal dataset for algorithm research 的底气。

对复用者的含义：想复制 IntrA 流程到新机构数据，预算里最大头不是标注（8 小时）而是修复（50 工作日）。任何"自动化修复"的改进都值得做，但别指望零人工。

3.3 MeshLab 清洗的技术细节

清洗环节处理四类问题：重复面/顶点（重建算法副产物）、孤立碎片（噪声组件）、非流形边（一条边被三个以上面共享，网格卷积的数学前提被破坏）、缺失法向量（PointNet 系网络的输入特征之一）。论文特意对比了自动化方案并给出不用的理由——这个选择让数据集对 MeshCNN 等网格方法真正可用，也让"点云+网格双表示"的承诺成立。

3.4 工具箱盘点：四件套全开源

工具	文件	功能
标注	annotation/main.py	闭合边界线绘制+泛洪圈定+多边界线分离
段生成	random_pick.py, selection.py	随机/手动种子点+测地阈值邻域切分
可视化	show_ann_data.py	标注数据渲染检查
结果查看	show_result.py	分割结果渲染对比

工具的意义超出"这四个脚本"本身：它公开了从完整模型到标注段的可复制生产路径，第三方机构可以用同一套流程标注自己的 MRA 重建数据——这是数据集之外的方法论贡献，论文把它列为三大贡献之一。

3.5 成本结构：50 个工作日与 8 小时的账本

IntrA 的生产成本可以拆成一层账，各环节的人工密度完全不同：

环节	人工投入	折算	密度感受
采集（隐含）	患者扫描（TOF-MRA）	103 例	临床常规检查，边际成本低——但受伦理约束不可再分发
修复	两名神经外科医生约 50 个工作日	~0.5 人·工作日/例	成本大头：Amira 交互式多阈值+高斯平滑逐例进行
清洗	MeshLab 滤器+手工分离	未单列	混在修复环节内
段生成	自动切分+人工筛选	未单列	算力可忽略，质控走查耗人工
逐点标注	一名医生 8 小时	~4 分钟/段（116 段）	交互工具把"画点"压缩成"画线+泛洪"
测地预计算	自动	—	热方程法一次性完成

两个结构性结论：

1. 成本瓶颈在"修复"不在"标注"——修复与标注的投入差约两个数量级（50 工作日 vs 8 小时）。3D 医学表面数据集稀缺的根因即在此：采集可以随临床流程批量产生，把表面修到"解剖学正确+流形干净"无法批量（§3.2）。
2. 标注效率是工具红利：8 小时/116 段的效率来自"闭合边界线+泛洪传播"的交互设计（§2.4）。任何把 IntrA 流水线迁移到自有数据的团队，预算排序应为：修复 > 质控 > 标注（§9.6 复用清单）。

§4 基准：17 种 3D 网络的同题测试

4.1 评测协议

协议细节决定基准数字的可比性，逐条列出：

• 划分：数据 shuffle 后分 5 个子样本，5 折交叉验证（4 训 1 测）；所有方法用同一划分——排除了划分随机性对方法排名的干扰
• 重复：分割任务每个子样本测试重复 3 次，取各次最优结果的均值
• 实现：接各网络原作者的开源实现，超参数与损失函数保持原论文设置——测的是"原味"性能
• 硬件：GeForce RTX 2080 Ti×2 + GTX 1080 Ti×1；全部方法总训练时长超 92 小时
• 指标：分类=血管准确率（V.）/动脉瘤准确率（A.）/F1（均折间均值）；分割=Jaccard（IoU）与 Sørensen-Dice（DSC），血管（V.）与动脉瘤（A.）分列，附 95% 置信区间
• 输入：各方法按自身设计喂 512/1024/2048 采样点（DGCNN 另需 K 近邻参数；MeshCNN 按面数 750/1500/2250；体素方法按分辨率 24/32/40）

4.2 分类基准全表（2025 段）

网络	输入点数	V. 健康段准确率 (%)	A. 动脉瘤段准确率 (%)	F1
PointNet++	512	98.52	86.69	0.8928
PointNet++	1024	98.52	88.51（A 最高）	0.9029
PointNet++	2048	98.76	87.31	0.9016
SpiderCNN	512	98.05	84.58	0.8692
SpiderCNN	1024	97.28	87.90	0.8722
SpiderCNN	2048	97.82	84.89	0.8662
SO-Net	512	98.76	84.24	0.8840
SO-Net	1024	98.88	81.21	0.8684
SO-Net	2048	98.88	83.94	0.8850
PointCNN	512	98.38	78.25	0.8494
PointCNN	1024	98.79	81.28	0.8748
PointCNN	2048	98.95（V 最高）	85.81	0.9044（F1 最高）
DGCNN	512/10	95.22	60.73	0.6578
DGCNN	1024/20	95.34	72.21	0.7376
DGCNN	2048/40	97.93	83.40	0.8594
PointNet	512	94.45	67.66	0.6909
PointNet	1024	94.98	64.96	0.6835
PointNet	2048	93.74	69.50	0.6916

三个规律：①几乎所有方法的准确率与 F1 随采样点增加而上升——点云任务"点多信息多"；②例外是 SpiderCNN（1024 点时动脉瘤检出最高 87.90%）与 PointNet（总体最弱）；③多数误分类样本是小体积或不完整动脉瘤——与健康血管难以区分，这是任务本身的难度上界而非方法缺陷。

4.3 分割基准全表（116 段）

派别	网络	输入	IoU V. (%)	IoU A. (%)	DSC V. (%)	DSC A. (%)
点	SO-Net	512	94.22	80.14	96.95	87.90
点	SO-Net	2048	94.46	81.40（A 最高）	97.09	88.76（最高）
点	PointConv	512	94.16	79.09	96.89	86.01
点	PointConv	2048	94.65（V 最高）	79.53	97.18（最高）	86.52
点	PN++g	512	93.34	75.74	96.47	83.90
点	PN++g	1024	93.28	76.53	96.43	84.82
点	PN++g	2048	93.60	76.95	96.62	85.18
点	PN++	512	93.42	76.22	96.48	83.92
点	PN++	1024	93.35	76.38	96.47	84.62
点	PN++	2048	93.24	76.21	96.40	84.64
点	PointCNN	512	92.49	70.65	95.97	78.55
点	PointCNN	1024	93.47	74.11	96.53	81.74
点	PointCNN	2048	93.59	73.58	96.62	81.36
网格	MeshCNN	750	85.43	55.63	91.71	68.65
网格	MeshCNN	1500	90.86	71.32	95.10	82.21
网格	MeshCNN	2250	90.34	71.60	94.77	81.87
点	SpiderCNN	512	90.16	67.25	94.53	75.82
体素	SSCN-F	24	87.95	56.56	93.35	66.04
体素	SSCN-F	32	88.08	55.26	93.44	64.05
体素	SSCN-F	40	90.09	61.45	94.62	70.54
体素	SSCN-U	24	87.43	55.78	93.00	65.03
体素	SSCN-U	32	86.13	53.52	92.24	64.01
体素	SSCN-U	40	88.66	57.94	93.78	67.39
体素	PointGrid	16/2	78.32	35.82	87.36	47.33
体素	PointGrid	16/4	79.49	38.23	88.08	49.14
体素	PointGrid	32/2	80.11	42.42	88.50	53.52
点	PointNet	512	73.99	37.30	84.05	48.96
点	PointNet	1024	75.23	37.07	—	—

（PointNet 1024/2048 与 PointGrid 部分行的完整数值见论文 Table 2 原表；上表为主流行转。）

4.4 分割结果的四条解读

1. 点云派整体领先：SO-Net/PointConv/PN++ 系在瘤体 IoU 上把体素派（SSCN 55-61%、PointGrid 36-42%）甩开 15-25 个点——管状流形上逐点特征远比体素栅格高效。
2. 两列指标必分开看：血管侧（面积占优）全体网络 93%+，瘤体侧才区分高下（37-81%）。只看均值或血管列会得出"都差不多"的错误结论。
3. MeshCNN 的相对优势在难例：整体成绩中等，但论文指出它"每个动脉瘤都分得体面"——网格卷积自带的流形信息在复杂拓扑上起作用。
4. PointNet 的断崖是教学样本：同是逐点方法，PointNet（无层级特征）瘤体 IoU 37% vs PN++ 76%——层级聚合（sampling & grouping）在细长结构上不是锦上添花而是生死线。

4.5 难例解剖：什么情况下所有方法都翻车

论文用对比图给出三类公认难例：

• 小尺寸比瘤体：动脉瘤占段的比例（瘤体对角线/全局段对角线定义）很小时，各方法准确率齐跌——瘤体信号被健康血管淹没。
• 双动脉瘤段：一段两瘤，多数方法失败；唯二保持良好表现的是 PointConv 与带测地信息的 PN++g——前者靠可学习空间滤波器，后者靠测地距离提供非欧邻域信息。
• 微小/不完整动脉瘤（分类任务）：与健康血管在形态上几乎无差，是误分类主体。

4.6 训练效率谱：5 秒与 24 秒的差距

网络	每 epoch 耗时	收敛 epoch	硬件
PN++	5 s（最快）	~115	GTX 1080 Ti
PointCNN	24 s（最慢）	~500	GTX 1080 Ti

PN++ 的效率+准确率组合（最快且瘤体检出最高）是论文点名的临床可用性证据——准实时诊断对算力的要求由此变得现实。PointCNN 精度高但训练成本是 PN++ 的近 20 倍。附带记录：3D CapsuleNet 尝试失败——把所有点判为健康血管，跨数据集泛化能力受限，论文以此提醒"在 ShapeNet 上有效的 3D 方法不能自动迁移到血管表面"。

4.7 引用这些数字前的检查单

§4 的基准表格是本条目被引用最多的部分，引用前逐项过一遍：

• [ ] 划分声明：你自己的实验是否沿用"shuffle 后 5 等分、所有方法同划分"协议？未声明划分来源的数字与表内不可比（FAQ Q17）。
• [ ] 输入档位：每行数字绑定特定输入（点云法 512/1024/2048 点；DGCNN 另带 K 近邻档；MeshCNN 按面数 750/1500/2250；体素法按分辨率 24/32/40）——引用"PN++ 88.51%“必须带上”（1024 点）"。
• [ ] 两列指标：V./A. 分列是本基准的设计核心，只引一列会系统性误导（坑 8）。
• [ ] 重复口径：分割每折重复 3 次取最优均值——单次运行数字不在同一口径上。
• [ ] 指标定义：IoU=Jaccard、DSC=Sørensen-Dice、CI95 为折间/重复间置信区间。
• [ ] 硬件语境：效率数字（5 s/epoch 等）绑定 GTX 1080 Ti；换硬件只保序不保值。
• [ ] 四个"最高"别串：分类动脉瘤准确率最高=PN++（1024）88.51%；分类血管/F1 最高=PointCNN（2048）98.95%/0.9044；分割瘤体 IoU/DSC 最高=SO-Net（2048）81.40%/88.76%；分割血管 IoU/DSC 最高=PointConv（2048）94.65%/97.18%。

§5 测地信息与非欧几何：3D 医学表面的方法论课

5.1 为什么欧氏距离在血管上失灵

血管是细长蜿蜒的管状流形：两个空间坐标很近的点可能分属两支相邻血管，或同一血管的内外壁——欧氏近邻会"跨管"连接语义上无关的区域。逐点方法（PointNet 系）默认用欧氏距离估计点间相关性，这个假设在 CAD 模型上无害，在血管表面上有害。PN++ 的典型错误是把紧贴血管的瘤体点判给血管——空间上近，沿壁传播的语义却已越过边界。

5.2 测地信息的两种注入方式与定量答案

IntrA 验证了注入表面测地结构的三条路径：

路径	机制	代表	瘤体 IoU
预计算矩阵作输入特征	PN++g 把测地距离加进逐点特征	PN++g 2048	76.95（vs PN++ 76.21）
网格卷积自带流形结构	MeshCNN 在边上做卷积，邻域沿表面展开	MeshCNN 2250	71.60
可学习空间滤波器	PointConv 学局部空间权重，间接捕获几何	PointConv 2048	79.53

定量结论要诚实：均值层面测地增强只带来不到 1 个点的提升（76.21→76.95），单看均值会以为测地矩阵白算了。但难例层面（双动脉瘤、复杂拓扑）测地信息+空间滤波是唯二稳定解。这是 3D 医学表面学习的普遍规律：附加几何信息不改均值、改下限。

5.3 超出动脉瘤的辐射面

论文明确列出数据集可支撑的其他 3D 任务：法向估计（数据带法向量）、测地估计（带测地矩阵）、3D 表面重建、医学几何统计。跨领域研究者把它当作"小规模、高保真、带非欧标注的管状流形基准"使用——后续对比学习工作（把 2025 段用于无监督预训练）即属此类。

5.4 可迁移的三条方法论结论

把 IntrA 的测地/非欧几何实验从"动脉瘤"这个具体对象上抽象出来，得到三条能带到其他 3D 医学表面任务的结论：

1. 局部邻域聚合是管状流形上的生死线：PointNet（无邻域）瘤体 IoU 37% vs PN++（层级邻域）76%——细长弯曲结构上，"哪些点相邻"必须沿表面定义，全局池化不够（§4.4/§6.2）。
2. 附加几何信息"不改均值、改下限"：测地增强只把均值推高不到 1 个 IoU 点，但在双动脉瘤等复杂拓扑难例上是唯二稳定解（§5.2）——为均值上不了榜的几何先验辩护时，用难例指标说话。
3. 表面先验能兑现为临床收益：同团队后续把表面范式做成两步法临床流水线，DSC 72% vs 体素法 46%（CVMJ 2023，§8.2）——基准里的范式优势可以穿越到部署环境，但需要重新工程化（分类+分割两步、临床级输出）。

反例也值得记住：3D CapsuleNet 在 ShapeNet 上有效、在血管表面全判健康（§4.6）——表面基准的"小而多样"不豁免跨域验证，反之亦然。

§6 方法综述：血管分割与动脉瘤检测的基准方法谱系

IntrA 的 17 网络基准（§4）横跨三个表示派别，正好是 2017-2019 年 3D 深度学习方法演进的切片。本节先按谱系梳理 10 个核心网络（venue 全部经第二轮补核逐一定位，见附录 K），再放进血管分割与动脉瘤检测的更广基准版图——回答"我的任务该去哪一族方法里找基线、找数据"。

6.1 三派范式与 10 网络档案

网络	派别	发表 venue	在 IntrA 基准中的角色
PointNet	点	CVPR 2017	逐点 MLP 开山作；本基准最弱基线（瘤体 IoU 37.30%）
PointNet++（PN++）	点	NIPS 2017	层级采样分组；分类动脉瘤准确率最高（88.51%，1024 点）+训练最快
SO-Net	点	CVPR 2018	SOM 建模点云分布；分割瘤体 IoU/DSC 最高（81.40%/88.76%）
PointConv	点	NeurIPS 2018	可学习连续卷积；血管 IoU/DSC 最高（94.65%/97.18%），难例稳定
SpiderCNN	点	ECCV 2018	泰勒展开参数化图卷积（venue 常被误记为 TOG，勘误存照附录 L）
PointCNN	点	NIPS 2018	X-Conv 学习化卷积；分类血管/F1 最高（98.95%/0.9044），训练最慢
DGCNN	点	ACM TOG 2019（SIGGRAPH）	动态图 EdgeConv；协议中需额外 K 近邻参数档
MeshCNN	网格	SIGGRAPH 2019	边卷积+边坍缩；网格派唯一代表，难例鲁棒
SSCN	体素	CVPR 2018	亚流形稀疏卷积；体素派主力（瘤体 IoU 55-61%）
PointGrid	体素	CVPR 2018	体素栅格内嵌点混合表示（瘤体 IoU 36-42%），pp. 9204-9214

6.2 点云派内部：局部邻域聚合的进化线

• PointNet（CVPR 2017）：逐点共享 MLP + 全局池化，没有局部邻域概念。血管表面上瘤体与血管的区分恰恰依赖局部几何——这解释了它在 IntrA 上的断崖（§4.4 第 4 条）。
• PointNet++（NIPS 2017）：引入层级 sampling & grouping 做局部邻域聚合。IntrA 上瘤体检出最高+训练最快，论文点名的实用化首选；测地增强版 PN++g 额外读入 N×N 测地矩阵（§5.2）。
• PointCNN（NIPS 2018）：把卷积学习成 X 变换再作用于邻域特征。分类血管列最强，但 24 s/epoch 的训练成本约为 PN++ 的 5 倍（§4.6）。
• SO-Net（CVPR 2018）：自组织映射（SOM）建模点云空间分布后再逐点卷积。分割瘤体 IoU 最高——其 SOM 结构对小目标的敏感性被认为是瘤体侧领先的来源之一（§9.3）。
• PointConv（NeurIPS 2018）：把卷积推广为连续集合上的可学习权重+密度补偿。血管侧最优，且是双动脉瘤难例上唯二稳定者之一（§4.5）。
• SpiderCNN（ECCV 2018）：在图上做泰勒展开式参数化卷积。注意 venue：部分二手资料误记为 ACM TOG，实为 ECCV 2018（附录 K/L）。
• DGCNN（TOG 2019）：EdgeConv 在动态构造的 K 近邻图上提取边特征；IntrA 协议为其单列 K 参数档（512/10、1024/20、2048/40）。

共同规律：凡是带局部邻域聚合的逐点方法，瘤体侧都不差；唯一无邻域的 PointNet 垫底。管状流形上的"局部性"就是生死线——这是 IntrA 基准对 3D 方法论最干净的一条贡献。

6.3 网格派与体素派：各自的成立条件

• MeshCNN（SIGGRAPH 2019）：在网格边（edge）上做卷积与边坍缩池化，天然携带流形连接信息。整体成绩中等（瘤体 IoU 71.60%，2250 面），但论文指出它"每个动脉瘤都分得体面"——复杂拓扑难例上的鲁棒性是网格结构信息的直接证据。成立前提是输入必须是干净流形网格：这正是 IntrA 花 50 个工作日清洗的原因（§3.2/§3.3）。
• SSCN（CVPR 2018）：亚流形稀疏卷积——只对占用体素计算卷积，绕开稠密栅格的算力浪费。IntrA 上是体素派最好成绩（分辨率 40 时瘤体 IoU 61.45%），但分辨率敏感（24→40 波动约 8 个点，其他方法约 2 个点）。
• PointGrid（CVPR 2018, pp. 9204-9214, DOI 10.1109/CVPR.2018.00959）：每个体素格子内嵌入固定数量点，混合体素+点表示。原论文推荐 N=16/K=2，IntrA 实测 N=32/K=2 最优（瘤体 IoU 42.42%）——超参敏感，仍是全体倒数第二。

体素派的共同困境：血管只占体数据的极小部分，栅格化既浪费算力又破坏管状几何语义。它们的合理主场是本来就以体数据为输入的任务（ADAM 式体分割），而非表面基准——场景错配是"体素方法为什么这么差"（FAQ Q15）的完整答案。

6.4 血管与动脉瘤任务的更广基准版图

把 IntrA 放进"输入表示 × 任务"二维谱系，一眼看清邻居与出口：

谱系	代表基准（库内 rid）	表示	任务
2D 眼底血管分割	drive(241)、chase-db1(251)、hrf(261)	2D 彩照/荧光造影	2D 血管网分割
2D 眼底病变分割	deepdrid(211)、drishti-gs(301)	2D 彩照	病灶分级/视杯视盘分割
体数据分割挑战赛	brats(24)、luna16(237)、retouch(321)、verse-spine(435)、selma3d(681)	3D 体数据	病灶/器官分割（多含榜单）
体数据动脉瘤	ADAM（库内无条目）、LargeIA（库内无条目）	TOF-MRA / CTA 体数据	检测 + 体分割
表面动脉瘤	IntrA（本条目）	点云/网格表面	段级分类 + 部件分割
大规模器官分割	totalsegmentator(422)、btcv(377)	CT 体数据	多器官分割

两个库外对照数据集（均经第二轮补核实核，档案见附录 M/N）：

• ADAM（Aneurysm Detection And segMentation）：挑战赛数据全部为 TOF-MRA——常被讹传为 4D-DSA/CTA 混合，勘误见坑 9 与附录 L。训练 113 例/129 个未破裂动脉瘤（UIA）、测试 141 例/153 UIA，检出+分割双任务，在线榜单持续开放（官方论文 Timmins et al., NeuroImage；官网 adam.isi.uu.nl）。
• LargeIA：内部 1338 例 CTA（1489 个 IA）+ 外部测试 138 例（101 IA），血管+动脉瘤双标签体素掩码；Zenodo 记录 6801397/6801398，申请制、非商用（论文 An intracranial aneurysm labeling dataset with both vessel and aneurysm labels, Patterns 2(10):100197, 2021，DOI 10.1016/j.patter.2020.100197）。

6.5 表面范式 vs 体素范式：两条定量证据

1. 同数据对照（IntrA 基准内）：点云派瘤体 IoU 76-81% vs 体素派 36-61%——差距 15-25 个点（§4.4 第 1 条）。
2. 临床流水线对照（团队后续）：同一批 TOF-MRA 上，surface 两步法 DSC 72% vs pixel 法 46%（CVMJ 2023，§8.2）——表面范式优势在真实临床链路里复现。
3. 反例警示（双向）：3D CapsuleNet 在 IntrA 上全判健康血管（§4.6）——表面基准的领先不会自动迁移给任意 3D 方法；反过来，ADAM 榜单上的体数据强方法搬到表面任务同样需要重新验证。范式优势是"任务-表示匹配"的函数，不是方法本身的绝对属性。

6.6 选型速查

你的输入是什么？
├── 已有 3D 表面模型（血管/器官表面）
│   └── 点云族起手：PN++（快）/ PointConv（血管列）/ SO-Net（瘤体列）
│       网格可用时加 MeshCNN 验难例鲁棒性
├── 只有体数据（MRA/CTA）
│   └── 体素族：3D U-Net 系 / SSCN；动脉瘤检测+分割直接对表 ADAM 榜单
├── 2D 影像血管分析
│   └── 转库内 2D 谱系：drive(241) / chase-db1(251) / hrf(261)
└── 表面+体数据都想覆盖
    └── IntrA（表面）+ ADAM/LargeIA（体）双轨，
        注意模态与粒度差异（FAQ Q20/Q25）

§7 获取与许可：一条直链、一个镜像、零 license 文件

7.1 三条获取路径

路径	地址/入口	内容	门槛
官方直链	Google Drive 文件夹（README “download here”，ID 1yjLdofRRqyklgwFOC0K4r7ee1LPKstPh）	完整数据+工具+论文+补充材料	需访问 Google 服务（大陆网络受限）
国内镜像	OpenDataLab OpenDataLab/IntrA	2.3GB 数据包（标签：图像/CV/3D 点云/分类/医学诊断/三维部件分割）	需注册 OpenDataLab 账号
反馈表单	forms.gle/rvMRsQ8t8Z6J8rdq8	可选：向团队登记使用信息	非强制

HuggingFace 无官方镜像（hf-mirror API 检索确认，抓取时点 2026-09-29）——习惯了 HF datasets 一键加载的用户需要退回"下载文件+本地解析"模式。

7.2 license 状态细读：这是本数据集最大的合规暗礁

逐层盘点：

1. 官方 GitHub 仓库无 LICENSE 文件：目录仅 fileSplit/images/paper/tools/README，README 只写"使用请引用论文"（Please cite our paper if you use it）——这是学术惯例层面的授权，不是法律文本意义上的 license。
2. OpenDataLab 镜像 license 栏标注为未知：镜像方也无法确认原始许可。
3. arXiv 论文文本：nonexclusive-distrib 1.0（arXiv 标准非独占分发许可）——这只约束论文本身，不约束数据。
4. 原始 TOF-MRA 影像：来自患者数据、受医学伦理约束，原始 2D 数据明确不发布；重建表面模型的二次使用边界论文未作声明。

对使用者的实际建议：学术研究、方法对比、基准复现——引论文即可，社区无异议；任何商用或再分发行为缺乏明确法律基础，需要自行联系作者获取书面授权（团队有公开反馈表单可作入口）。

7.3 数据包内部结构（据官方仓库与论文整理）

IntrA/
├── complete_models/      # 103 个完整脑血管表面模型
├── generated_segments/   # 1909 个自动生成血管段（健康/动脉瘤分列）
├── annotated_segments/   # 116 个逐点标注动脉瘤段
├── geodesic_matrices/    # 每个标注段的 N×N 测地距离矩阵
├── annotation/           # 标注工具（main.py）
├── fileSplit/            # 段切分辅助
├── tools/                # random_pick.py / selection.py / 可视化脚本
├── paper/                # 论文 PDF + 补充材料 supp.pdf
└── images/               # README 配图

（目录名以上传仓库结构为准，下载后请以实际清单核对——官方未发布数据字典，此为按仓库文件与论文描述整理的示意。）

7.4 AI-Ready 评估：DAIMS 五维

维度	评分（1-10）	依据
D 可发现性	6	论文/CVPR/arXiv 均可索引，但"IntrA"检索歧义大（坑 2），CVF 摘要页 org 转写错误误导检索（坑 1），无独立数据集主页
A 可获取性	5	有官方直链与国内镜像，但依赖 Google Drive（大陆受限）、HF 无镜像、无 LICENSE 文件构成合规不确定性
I 可互操作	6	标准网格/点云格式可用主流 3D 库加载，工具为原生 Python；无数据字典、无标准元数据 schema、无 HF/Dataset 标准化接口
M 元数据质量	7	论文统计与协议描述完整（5 折划分/硬件/指标定义均明示）；患者级元数据缺失、无逐例清单
S 可持续性	5	单一直链托管+个人课题组维护（2019-2020 年后仓库无活跃更新），镜像单一，长期可用性存疑
综合评级	5.8/10（中等）	数据与基准质量高于均值，可获取性与可持续性被单链托管+license 缺位拖低

7.5 与库内可获取性光谱的对照

把 IntrA 放进本库的可获取性光谱：它属于"公开直链但许可模糊"型——比请求制数据集（如掩码需邮件申请的类型）获取门槛低，比 CC 授权数据集（公开直链+明确许可）合规确定性差。同类 3D 医学表面数据集中，这种"数据开放、许可沉默"的状态在 2019-2020 年 CVPR 时代的医学数据集里相当典型，IntrA 是该时代切片的一个清晰样本。

7.6 下载后五步校验

拿到数据包（官方直链或镜像）后，按序执行：

1. 数量核对：L1=103、L2 分列计数相加=1909（健康 1694+含瘤 215）、L3=116——任何对不上先怀疑下载不完整（官方无 manifest/checksum，见 §2.8）。
2. 可加载性：抽取 5-10 个模型用主流 3D 库加载，确认顶点/面数非零、法向量存在（PointNet 系的输入特征之一，§3.3）。
3. 流形性抽查：计划使用 MeshCNN 的用户必须检查非流形边——官方已清洗，但二次处理（重采样/裁剪/合并）会重新引入非流形结构。
4. 标签值域：116 个标注段逐点值域应为 {0,1}（0=健康血管/1=动脉瘤）；出现其他值说明文件版本错乱。
5. 矩阵形状：测地矩阵 N×N 与对应段点数一致、对角为 0；不一致说明矩阵与段文件不配套。

镜像对照提示：官方直链与 OpenDataLab 镜像（2.3GB）均未公布一致性校验手段；若两源核对结果不一致，以官方直链为准，并在使用声明中注明实际取用源。

§8 生态与影响：一个实验室的连续剧

8.1 团队谱系

IntrA 诞生于东京大学 Takeo Igarashi 实验室（STLAB，人机交互与计算机图形学重镇）与临床神经外科（Taichi Kin）的合作。一作 Xi Yang 的作者轨迹（dblp：早年岩手大学，之后东大序列）显示这是一条"计算机图形学方法进入医学影像"的路线；二作 Ding Xia（东大+华南理工双单位，现为东大研究者）是 arXiv 提交人与后续工作主力。资助方为日本医疗研究开发机构 AMED（JP18he1602001）——注意这不是中国内地机构资助的项目，尽管有华南理工合作单位且部分中文资料把团队误记为内地院校。

8.2 同团队后续工作：三部曲结构

时间	工作	发表	关键数字
2020-03	IntrA 数据集论文	CVPR 2020 Oral	本条目主体
2020-06	Surface-based 3D Deep Learning Framework for Segmentation of Intracranial Aneurysms from TOF-MRA Images	arXiv 2006.16161（扩展版见下行）	surface 法 DSC 72% vs pixel 法 46%
2023	A Two-step Surface-based 3D Deep Learning Pipeline for Segmentation of Intracranial Aneurysms	Computational Visual Media 9(1):57-69	两步法 DSC 72%；PointNet++ 分类+SO-Net 分割的实用化流水线
2022	Data-Driven Multi-modal Partial Medical Image Preregistration by Template Space Patch Mapping	MICCAI 2022	同团队医学影像延伸

三部曲的逻辑：先建数据集（CVPR 2020）→ 再把数据集变成可用诊断流水线（arXiv/CVMJ 2023）→ 横向扩展医学几何问题（MICCAI 2022）。CVMJ 2023 的 72% vs 46% 是"表面范式优于体素范式"主张在临床流程里的落锤。

8.3 第三方使用：谁在用它做什么

按可查证的使用方式分类（采样，非穷举）：

1. IA 自动测量的几何分类器（Nature Scientific Reports 2024，s41598-024-65825-4）：人机动脉瘤尺寸测量一致性研究中，用 IntrA 训练 PointNet++ 做瘤体隔离的几何分类器，点分类 TPR 达 0.96，再迁移到自有 CTA 数据——IntrA 当"几何先验训练场"用。
2. 无监督表示学习的预训练语料（arXiv 2201.02198）：把 2025 个血管段喂给双分支对比学习编码器，下游做分类/分割微调——IntrA 当小规模 3D 医学自监督基准用。
3. 点云分割新方法的必测基准（中科院软件所 2025，片序列注意力分割；及多篇中文核心）：IntrA 已成为中文文献里 3D 动脉瘤分割论文的标准对照数据集。
4. 跨域 3D 生成特征迁移（TRELLIS-Enhanced Surface Features，2025-09）：用非医学 3D 生成模型的几何嵌入做 IA 分析，跨越"医学数据稀缺"的障碍——IntrA 提供迁移效果的检验场。

四种用法共同点：没有人在 IntrA 上做大规模预训练——103 例的体量决定了它是基准与先验，不是语料。

8.4 在颅内动脉瘤数据集景观中的位置

数据集	模态	规模	表面/体素	开放度
IntrA	TOF-MRA 重建表面	103 模型/1909 段/116 标注段	表面（点云+网格）	直链开放（无 license 文件）
ADAM	TOF-MRA（全部）	训练 113 例/129 UIA + 测试 141 例/153 UIA	体数据+掩码	挑战赛注册制
LargeIA	3D CTA	1338 例内部+138 例外部（1489+101 个 IA）	体数据+体素掩码	Zenodo 申请制（非商用）
各单中心队列	CTA/MRA/DSA	数十至千余例	体数据	多为不公开

IntrA 在这个景观里独占"表面原生"生态位：它是唯一把血管当作可计算流形（而非体素集合）发布的数据集。体数据派与表面派做的是不同任务（检测/分割 vs 表面分类/部件分割/几何分析），互补而非竞争。检索者常犯的错是用"颅内动脉瘤数据集"的关键词只搜到 ADAM/LargeIA 就止步——表面范式的入口在 CVPR 的论文列表里，不在放射学文献里。

8.5 生命周期与可持续性：一个 2020 年数据集的今天

IntrA 有"两个生日"：数据与工具先行（2019-11-20 上传仓库），论文后发（2020-03-02 arXiv v1）——这是"先公开数据再投会议"的典型节奏，也意味着 2019 年底起就有人拿到数据。完整时间线（可精确到天）：

时点	事件
2019-11-20	fileSplit/images/tools 上传官方仓库，数据先行公开
2020-03-02	arXiv v1 提交（8,212 KB；分类 eess.IV/cs.CV/cs.LG/stat.ML）
2020-04-06	arXiv v2（8,521 KB，camera-ready 对应）；论文 PDF+补充材料入库 paper/
2020-06-14~19	CVPR 2020（Seattle）正式发表，Oral 报告
2020-04-08	README 最后更新——此后仓库静默
2026-09-29	本条目抓取时点：无数据扩容、无版本迭代、HF 仍无官方镜像

可持续性三问的答案都不乐观：

1. 托管：官方单一直链（Google Drive）+单一镜像（OpenDataLab），无冗余备份。直链可用性受 Google 服务可达性影响（大陆网络受限），镜像 2.3GB 与官方包体积一致性未验证（遗留疑点，附录 O 存照）。
2. 维护：个人课题组 2020-04 后无更新；论文结语"计划持续扩充新处理的临床数据"截至抓取时点未兑现（FAQ Q22）。
3. 版本：数据本体无版本号——arXiv v1/v2 只是论文版本链；下载者无法声明"我用的哪一版数据"，只能声明下载时点与取用源。

给使用者的四条存档建议：

• 下载后立即自建 manifest（文件名+大小+哈希+下载日期+取用源），归档进项目仓库——这是对"无 checksum 发布"的唯一自救（§2.8）。
• 引用时锚定 DOI（10.1109/CVPR42600.2020.00273）与官方 org（intra3d2019），不要把 GitHub 页面 URL 当唯一标识（页面可能转移，DOI 不会）。
• 数字核对一律以 arXiv v2/CVF 版论文为准（版本链见附录 G）；补充材料 supp.pdf 在仓库 paper/ 目录，含基准实现细节。
• 镜像与直链若出现不一致（镜像方可能重打包），以官方直链为准并在使用声明中注明取用源（§7.6 校验流程同理）。

引用热度仅供语境参考：Google Scholar 120-161、Semantic Scholar 82-117（不同时点/主页口径不一，附录 G）——任何"高被引/低被引"的表述请绑定平台与时点，不要裸引。

§9 使用指南：从下载到跑通第一个模型

9.1 任务定义速查

任务	数据	输入	输出	临床对应
二分类（诊断）	2025 段（1909 生成+116 标注）	逐段点云（坐标+法向量）	段级标签（含瘤/健康）	从全脑血管模型发现可疑段
部件分割	116 标注段	逐段点云/网格	逐点标签（0=血管/1=瘤体）	瘤颈提取→夹闭规划

9.2 快速上手三步

1. 数据就位：官方 Google Drive 或 OpenDataLab 下载；核对 103/1909/116 三个数字与文件夹结构。
2. 格式转换：点云网络（PN++ 系）直接读坐标+法向量；网格网络（MeshCNN）确认网格为流形（官方已清洗，二次处理过的模型需重新检查非流形边）。
3. 划分复现：论文划分方式为 shuffle 后 5 等分、所有方法同划分——自行复现基准时必须固定随机种子并声明划分；否则与表内数字不可比。

9.3 类别不平衡的三层应对

IntrA 的不平衡是双重的，应对也要分层：

• 段级（215 vs 1694，约 1:7.9）：分类任务用分层采样或加权损失；评估永远分 V./A. 两列看，别只看总体准确率——把所有段判为健康就有约 88.7% 的"准确率"。
• 点级（段内瘤体点占比通常远小于血管点）：分割任务加逐点类权重或 Dice 损失；SO-Net 在瘤体 IoU 上的领先部分来自其 SOM 结构对小目标的敏感性。
• 模型级：论文证实 3D CapsuleNet 全判血管的失败模式——选网络时排除无空间层级的设计（PointNet 瘤体 IoU 37% 是同族下限警示）。

9.4 常见误用清单

1. 把 116 当成动脉瘤总数：116 是"被标注的动脉瘤段数"，215 是"自动切分出的含瘤段数"，两者口径不同（116 段逐点标注；215 段只有段级标签）。
2. 用测地矩阵做欧氏近邻查询：矩阵是表面测地距离，不是三维欧氏距离，语义不能混用。
3. 把完整模型直接切成段去对号 1909：段的生成含随机性与人工筛选，无法从模型机械推导；官方 fileSplit 与工具只保证流程可复制，不保证逐段一一对应。
4. 在原始 TOF-MRA 影像上做体数据实验却引 IntrA：原始 2D MRA 不在发布范围，体数据实验请用 ADAM/LargeIA 等体数据集。
5. 忽略 license 缺位直接商用：见 §7.2，商用前先拿书面授权。

9.5 划分与泄漏：按段划分的隐含风险

论文协议是"数据 shuffle 后 5 等分、所有方法同划分"——划分单元是段，不是患者。这带来一个协议文本里没有写、但使用者必须心里有数的问题：

• 同一患者的段高度相关：1909 个段来自 103 个模型，同一模型的段共享扫描噪声、重建偏差与血管形态——它们不是独立样本。
• 患者级元数据未披露：论文没有给出 103 个模型与患者的对应关系（一名患者可能贡献多个模型），想按患者分组划分也做不到。
• 后果：段级 5 折指标可能高估"对新患者"的泛化——测试折里的段可能来自训练折见过的患者/模型。

务实应对（按宣称强度分层）：

你的宣称	最低要求
“在本协议下优于基线 X”	照抄协议（同划分 5 折）即可，如实引用段级口径
“对动脉瘤分割有效”	段级指标 + 难例分析（§4.5/附录 D）+ CI95
“可泛化到新患者/新中心”	需外部验证：自有数据、ADAM/LargeIA 或跨中心队列——IntrA 内部无法支撑此宣称

这不是吹毛求疵：103 例的小体量让"模型内切分"与"患者间泛化"的差距比大数据集更显著。FAQ Q8 说的"模型级泛化受 103 例限制"就是这件事的另一面。

9.6 把 IntrA 流水线迁移到自有数据：复用清单

IntrA 的方法论贡献（数据集之外的第二大贡献）是一条可复制的生产路径。迁移到自建 MRA/CTA 数据时逐项核对：

环节	可复用资产	迁移要点	成本锚点
表面重建	单阈值法（Hoogeveen 1998）	模态/场强变化时阈值需重标定；序列参数差异会改变表面噪声特性	论文 §3 流程
人工修复	多阈值交互修复+高斯平滑（Amira 或替代软件）	预算大头：IntrA 口径约每例 0.5 人·工作日（两名医生 50 工作日/103 例）	~0.5 工作日/例
流形清洗	MeshLab 滤器清单（去重/去碎片/去非流形/法向量）	MeshCNN 用户必须逐项执行；自动化替代慎用（论文明确否决过，§3.2）	每例数十分钟量级
段生成	random_pick/selection（随机+测地阈值邻域）	阈值按你的血管口径重调；含瘤段产出率低时手动补选	§2.3
逐点标注	annotation/main.py（闭合边界+泛洪）	效率锚点：一名专家 8 小时标 116 段	~4 分钟/段
测地矩阵	热方程快速近似法（Crane 2013）	开源实现可复现；N×N 内存按段点数平方预算	§2.5
质控	show_ann_data/show_result 可视化筛除	别省略：1909 是"筛后存活数"，无质控环节的产出与基准不可比	§2.3

两条红线：①复用的是方法不是数据——把 IntrA 数据与自有数据混合发布或再分发，回到 §7.2 的 license 问题；②自建标注时保留"可视化质控筛除"环节，没有这一步的段集合与 IntrA 基准数字不具可比性。

§10 与库内条目的关系

10.1 家族图谱

库内条目	rid	关系	联动阅读价值
ImageCAS	549	同赛道（血管分割）：冠脉 CTA 血管树	冠脉 vs 脑血管的表面/体素两派对照
DRIVE	241	同任务（血管结构分割）：眼底 2D	2D 血管分割的经典起点，与 3D 表面法互为镜像
MedMNIST	716	同定位（轻量医学基准家族）	含 3D 模态子集的基准化思路对照
IXI-brain	482	同模态（脑 MRI）	健康人脑 MRI 结构数据，理解 TOF-MRA 采集语境
TotalSegmentator	422	同任务（大规模 3D 分割）	体数据大规模分割 vs 表面小样本精分割
BTCV	377	同任务（CT 多器官分割）	体素派基准的代表
FairSeg	371	同方法论（分割公平性）	小样本医学分割的偏差控制视角
WMH Challenge	501	同模态（脑 MRI 挑战赛基准）	挑战赛制基准 vs 论文自带基准的组织差异

10.2 检索路径建议

• 查"血管分割"全景：intra(本条目) → imagecas(549) → drive(241)
• 查"3D 医学基准"谱系：intra → medmnist(716) → totalsegmentator(422) → btcv(377)
• 查"脑血管临床语境"：intra → ixi-brain(482) → wmh-challenge(501)
• 查"小样本医学分割方法论"：intra → fairseg(371)

10.3 第二轮互链扩充：分割谱系十条（DB 实证）

第二轮补核（2026-09-29，只读查询库内 ai_ready_dataset 表，验证记录见附录 P）在第一轮 8 条之外新增 10 条库内互链，覆盖"2D 血管分割—3D 分割挑战赛—显微尺度"三条主线：

库内条目	rid	关系	联动阅读价值
BraTS	24	同范式（体数据病灶分割挑战赛）	脑肿瘤 MRI 体分割 vs 脑血管表面分割——"脑部任务"的两种表示路线
DeepDRiD	211	同器官域（眼底：质量评估+DR 分级）	眼底影像从"血管分割"到"质量/分级"的任务谱扩展
CHASE_DB1	251	同任务（视网膜血管分割，儿童队列）	DRIVE 之外的 2D 血管分割基准，双观察者标注设计
HRF	261	同任务（高分辨率眼底血管分割）	健康/DR/青光眼三分组——血管分割叠加疾病背景的对照设计
DRISHTI-GS	301	同器官域（青光眼视盘/视杯分割）	眼底结构分割与多专家软标注方法学
RETOUCH	321	同范式（体数据病变分割挑战，OCT）	三厂商跨设备体数据挑战——挑战赛制与 ADAM 可对照
LUNA16	237	同任务范式（体数据病灶检测挑战）	检测+候选过滤协议、多折榜单——ADAM 检出任务的先行者
VerSe	435	同范式（体数据实例分割挑战）	大视野 CT 实例分割与骨折分级
CT-RATE	546	同模态邻域（胸部 CT 多模态语料）	"5 万体积大语料"与"103 表面模型小基准"的规模两极
SELMA3D	681	同任务（3D 显微血管等结构分割）+自/半监督范式	光片显微尺度的血管分割——与 IntrA 构成血管任务的尺度两极

配套检索路径（接 §10.2）：

• 查"2D 眼底血管分割"谱系：drive(241) → chase-db1(251) → hrf(261)；病变/结构侧延伸 deepdrid(211) → drishti-gs(301)
• 查"3D 体数据分割挑战赛"谱系：brats(24) → luna16(237) → retouch(321) → verse-spine(435)
• 查"显微尺度 3D 分割/自监督"：selma3d(681)
• 查"医学影像规模两极"：ct-rate(546)（数万体积语料）↔ intra（103 表面模型基准）

注意事项：动脉瘤体数据两大基准 ADAM 与 LargeIA 在库内均无条目（title 模糊检索 0 行，附录 P 存照），本条目对它们的引用保持"库外锚点"状态（档案见附录 M/N）——若后续建条，应回填 §6.4 与此处互链。

§11 避坑清单：十一个已踩过的坑

坑 1：GitHub 组织名转写错误（intra2d2019 vs intra3d2019）。CVF 官方摘要页与 HypePaper 等聚合站把仓库写成 github.com/intra2d2019/IntrA，实际官方仓库是 github.com/intra3d2019/IntrA。论文正文、ar5iv、README 一致口径为 intra3d2019。照错误地址找仓库会撞 404 或撞到无关 fork。

坑 2："IntrA"检索歧义。该词在搜索引擎里与 intraday 金融数据、INTERPRET workshop、各类"intra"缩写混战。有效检索式：IntrA aneurysm dataset、IntrA CVPR 2020、intra3d2019。中文检索建议加"颅内动脉瘤 点云 数据集"。

坑 3：数字口径三连（103/215/116/1909/2025）。103=完整模型；1909=生成段总数（1694 健康+215 动脉瘤段）；116=逐点标注动脉瘤段；2025=分类任务实际用的合并段数（1909+116）。二手资料里"116 个动脉瘤"或"103 例动脉瘤"都是口径错乱。另注意 brief 常见的"102 例"——三源核验均为 103。

坑 4：以为有原始影像。原始 2D MRA 因医学伦理不发布——只有重建+修复后的表面模型。计划做 2D MRA/MIP、体素分割或影像质量研究的人，此数据集无法满足，请转 ADAM（TOF-MRA 体数据，训练 113 例/测试 141 例）或 LargeIA（1338 例 CTA，Zenodo 申请制）。

坑 5：license 缺位。官方仓库无 LICENSE 文件、镜像标注未知。学术引用惯例（引 CVPR 2020 论文）是社区默认，但没有任何文本授权商用与再分发。引用格式见附录 F。

坑 6：页码双口径。dblp/NSTL/Mendeley 记 pp. 2653-2663，OpenDataLab 引文记 pp. 2656-2666；CVF 官方页不显示页码。引用时任选其一并保持一致，无需纠结——DOI 10.1109/CVPR42600.2020.00273 才是唯一可靠锚点。

坑 7：测地矩阵的内存与语义。N×N 密集矩阵随段点数平方膨胀（1700 点约 290 万浮点值）；且矩阵语义是表面测地距离——拿它当欧氏距离用（KNN、空间坐标对齐）是错的。均值层面测地增强收益 <1 个 IoU 点，别为它放弃更快的欧氏基线；但双动脉瘤等复杂拓扑难例上它是稳定解之一。

坑 8：只看总体准确率会漏掉全部关键信息。分类任务的"健康段准确率"被类别不平衡抬高（全判健康≈88.7%）；分割任务的血管列 93%+ 不分高下。论文把 V./A. 分列的用意即在此——动脉瘤侧的数字才是任务难度与临床价值的真实刻度。

坑 9：把 ADAM 模态记成"4D-DSA/CTA/MRA 混合"。本条目第一轮档案曾如此误记——实核（ADAM 官方期刊论文 Timmins et al., NeuroImage；挑战赛官网 adam.isi.uu.nl）证实 ADAM 数据全部为 TOF-MRA。讹传可能源于把"动脉瘤影像常用模态"泛化到具体数据集头上。影响：按模态筛选体数据集时会错误排除或错误纳入 ADAM；与 IntrA 的"同源模态（TOF-MRA）、不同粒度（体 vs 表面）"对照关系也会讲错。正确口径：训练 113 例/129 个未破裂动脉瘤（UIA）、测试 141 例/153 UIA，检出+分割双任务，在线榜单开放（附录 M 存照）。

坑 10：超参数照抄各网络原论文推荐值。基准实测与原论文推荐不一致的三处：①PointGrid 原论文推荐 N=16/K=2，IntrA 实测 N=32/K=2 最优（瘤体 IoU 42.42% vs 38.23%）；②SSCN 分辨率 24→40 提升明显，且 IoU 波动约 8%（其他方法约 2%）——分辨率敏感型；③MeshCNN 面数 750 档瘤体 IoU 55.63%，1500/2250 档 71.32%/71.60%——面数过少直接崩溃。复现与引用时数字必须绑定输入档位（§4.7 检查单）；“用了原论文推荐超参却跑不出论文数字”，先查这三处再怀疑自己。

坑 11：把 116 段标签当"多标注者共识"。116 段由一名神经外科医生单人 8 小时标注，数据集未提供重复标注，因此没有 inter-rater 一致性指标可引用（修复环节为双人协作，但同样未公布一致性数字）。描述标签质量时请避免"专家共识"类表述；需要标注一致性分析的，请自设重复标注实验并单独报告（FAQ Q43）。

§12 总结

12.1 三句话总结

1. IntrA 是首个开放获取的 3D 颅内动脉瘤数据集：103 个 TOF-MRA 重建全脑血管模型（50 个工作日人工修复）、1909 个自动血管段、116 个专家逐点标注段加测地矩阵，CVPR 2020 Oral 发表。
2. 它把颅内动脉瘤研究从体素范式拉到表面范式：17 种 3D 网络同划分 5 折基准证明逐点方法（PN++/SO-Net/PointConv）显著优于体素方法，测地信息在均值上收益小、在复杂拓扑难例上是稳定解。
3. 它的短板同样是信息：无 LICENSE 文件、单一直链托管、患者级元数据缺失、103 例的体量——是基准与先验训练场，不是大规模训练语料。

12.2 适合谁

• 做 3D 点云/网格深度学习方法研究、需要小而精医学基准验证泛化性的团队
• 神经外科手术规划/CAD 系统开发者——瘤体分割与瘤颈提取是直接对口的任务
• 医学几何分析（血管形态统计、测地度量、法向估计）研究者
• 需要跨域迁移检验场的 3D 生成模型与自监督学习研究者

12.3 不适合谁

• 需要 2D MRA 原始影像或体素掩码的研究（原始数据不发布）——转 ADAM/LargeIA
• 追求大规模预训练语料的团队（103 例量级）
• 对 license 合规要求严格的商用场景（无 LICENSE 文件，需书面授权）
• 需要患者级人口统计学元数据的临床回归研究（未披露）

12.4 30 秒决策卡

你的需求是？
├── 训练/评测 3D 点云或网格网络的医学基准
│   └── ✅ 用 IntrA：Google Drive 直链，5 折协议照抄论文
├── 神经外科瘤颈提取/手术规划原型
│   └── ✅ 用 IntrA 116 标注段 + SO-Net/PointConv 基线
├── 体数据血管分割/动脉瘤检测
│   └── ❌ 转 ADAM / LargeIA（IntrA 无体数据）
├── 2D MRA 影像研究
│   └── ❌ 原始影像不发布
├── 大规模预训练
│   └── ❌ 103 例体量不足
└── 商用产品集成
    └── ⚠️ 先联系作者获书面授权（无 LICENSE 文件）

12.5 三分钟阅读路线（按角色）

• 3D 方法研究者：§6（方法谱系）→ §4（基准全表+检查单 §4.7）→ §5（测地课+§5.4 迁移结论）→ 附录 K。核心问题：“我的方法在管状流形上会不会翻车。”
• 工程/落地团队：§9（使用指南+泄漏 §9.5）→ §7（获取+license）→ §11 坑点全表 → 附录 C 决策树。核心问题：“从下载到跑通与合规的完整路径。”
• 临床信息学/数据管理：§0（问题定义）→ §2（数据构成+边界 §2.9）→ §6.4/§8.4（数据集景观）→ 附录 M/N。核心问题：“它在动脉瘤数据版图里补了哪块。”
• 标注方法论研究者：§3（流水线+§3.5 成本结构）→ §9.6（迁移复用清单）→ §2.4（标注工艺）。核心问题：“这套 50 工作日+8 小时的生产账本如何复制。”
• 数据集审稿/采购评估：§7.4（DAIMS 五维）→ 附录 I（FAIR 检查单）→ 附录 R（修订史）。核心问题：“AI-Ready 成色与可持续性。”

每条路线 10 分钟内可走完；决定深入后按 § 索引展开。

FAQ（高频问答 48 问）

A. 基础认知

Q1：IntrA 的名字是什么的缩写？
Intracranial Aneurysm 的缩合（IntrA），注意中间的 A 大写。

Q2：论文发在哪？是 MICCAI 吗？
不是。CVPR 2020（IEEE/CVF 计算机视觉与模式识别会议），Oral 报告，DOI 10.1109/CVPR42600.2020.00273。MICCAI 2018 的 INTERPRET workshop（可解释性主题）与此数据集无关。

Q3：团队是哪家机构？
东京大学（Igarashi 实验室+神经外科），二作 Ding Xia 双挂华南理工大学。不是苏州大学——部分中文资料有此误记。

Q4：数据是什么形式？DICOM 吗？
不是。3D 表面模型（点云+网格）+测地矩阵+Python 工具，没有 DICOM，也没有原始 2D MRA。

B. 数据与获取

Q5：怎么下载？
官方 Google Drive 文件夹（README 内链）或 OpenDataLab 镜像（2.3GB，需注册）。大陆网络访问 Google Drive 受限时走镜像。

Q6：HuggingFace 上有吗？
没有官方镜像（2026-09-29 检索确认）。需要自行下载后转 HF 格式。

Q7：数据能商用吗？
没有 LICENSE 文件，无法从文本上获得商用授权。学术引用惯例成立，商用请通过反馈表单联系作者获取书面许可。

Q8：103 例能划分出足够的测试集吗？
基准协议是段级而非模型级：分类用 2025 段、分割用 116 段做 5 折，每折测试集有数百段/二十余段。但模型级泛化（跨患者）评估受 103 例限制，需自行注意患者级数据泄漏风险（论文按段划分，未声明按患者分组）。

Q9：段是怎么保证质量的？
自动生成后经可视化工具人工筛除模糊/琐碎段；含瘤段有手动补选机制。1909 是筛选后存活数。

C. 标注与基准

Q10：116 个标注段的标签长什么样？
逐点二分类：0=健康血管，1=动脉瘤。没有瘤颈曲线、破裂状态、解剖位置等附加标签。

Q11：谁标注的？花了多久？
一名神经外科医生用自研交互工具 8 小时完成。工具逻辑是闭合边界线+泛洪传播。

Q12：分类基准为什么分 V. 和 A. 两列？
类别不平衡（215:1694）下，总体准确率会向多数类（健康段）倾斜；分列才能看出动脉瘤侧真实性能。全判健康的退化模型也有约 88.7% 总体准确率。

Q13：哪个网络最强？
分类：PN++（1024 点）动脉瘤准确率 88.51% 最高；PointCNN（2048）血管准确率 98.95% 与 F1 0.9044 最高。分割：SO-Net（2048）瘤体 IoU 81.40%/DSC 88.76% 最高；PointConv（2048）血管 IoU 94.65%/DSC 97.18% 最高。

Q14：测地信息（PN++g）值得用吗？
均值上瘤体 IoU 只提 0.74 点（76.21→76.95）；但双动脉瘤段等复杂拓扑难例上 PN++g 是唯二稳定方法之一。预计算矩阵已随数据提供，增量成本可接受。

Q15：体素方法为什么这么差？
血管只占体数据的极小部分，栅格化浪费算力且破坏管状流形的几何语义；SSCN 瘤体 IoU 55-61%、PointGrid 36-42% vs 点云派 76-81%。CVMJ 2023 的对照实验（72% vs 46% DSC）进一步确认。

D. 工程与复现

Q16：点云格式是什么？要自己采样吗？
表面模型附法向量；段内点数约 500-1700。基准按 512/1024/2048 点采样，采样方式遵循各网络原实现。

Q17：5 折划分有官方种子吗？
论文只说明 shuffle 后 5 等分、所有方法同划分，未公开种子文件。复现请固定自己的种子并声明——逐数字复现不可行，但方法排名可复现。

Q18：训练要多少算力？
基准用 RTX 2080 Ti×2 + GTX 1080 Ti×1，总时长超 92 小时（全部方法）。单方法 PN++ 在 GTX 1080 Ti 上 5 s/epoch、约 115 epoch 收敛——单卡数小时内可复现一个基线。

Q19：有官方训练代码吗？
仓库提供工具（标注/切分/可视化）与基准协议描述；各网络用原作者开源实现接入。没有统一的"一键复现"脚本。

E. 生态与库内

Q20：和 ADAM 数据集什么关系？
互补不竞争：ADAM 是 TOF-MRA 体数据的检测+分割挑战赛数据（训练 113 例/129 UIA、测试 141 例/153 UIA），IntrA 是 TOF-MRA 重建表面模型的分类+部件分割基准。表示（体 vs 表面）与任务（检测/体分割 vs 表面分类/部件分割）双重不同，模态同源（都是 TOF-MRA）但粒度不同。

Q21：库内哪些条目和它最相关？
imagecas(549) 冠脉血管分割、drive(241) 眼底血管分割、medmnist(716) 3D 医学基准、ixi-brain(482) 脑 MRI、totalsegmentator(422) 大规模 3D 分割。第二轮补核后库内互链共 18 条，最新全表见 §10.3 与 FAQ Q34。

Q22：后续还有新版本吗？
2020 年 4 月后官方仓库无更新；团队后续以 CVMJ 2023 两步法流水线延续方法线，数据集未见扩容声明。论文结语提到计划持续扩充新处理的临床数据，尚未兑现。

Q23：引用格式是什么？
见附录 F：Yang, Xi; Xia, Ding; Kin, Taichi; Igarashi, Takeo. IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning. CVPR 2020, pp. 2653-2663（页码存在双口径，见坑 6），DOI 10.1109/CVPR42600.2020.00273。

Q24：为什么 brief/资料里常出现"102 例"的说法？
三源核验（论文全文/GitHub README/CVF）一致为 103 个完整模型。"102"无出处，属二手转写讹误；若在某资料中见到 102，应以论文原文与官方 README 为准。

F. 模态对照、划分陷阱与补核勘误（第二轮新增）

Q25：ADAM、LargeIA 与 IntrA 到底怎么选？
按输入表示与任务选，不按"哪个大"选：要做检测+体分割、手上有 MRA 体数据 → ADAM（TOF-MRA，训练 113 例/129 UIA+测试 141 例/153 UIA，挑战赛注册制、榜单开放）；要做体素级血管+动脉瘤双标签分割、能走申请流程 → LargeIA（CTA，内部 1338 例/1489 IA+外部 138 例/101 IA，非商用）；要做表面分类/部件分割/几何分析、方法在点云网格侧 → IntrA（103 表面模型）。三者模态与粒度差异见 §6.4/§8.4；ADAM 模态讹传问题见坑 9。

Q26：同一患者的多个段会不会跨折泄漏？
存在这个风险：协议按段 shuffle 划分、未声明按患者分组，且患者级元数据未披露——想分组也做不到（§9.5）。段级指标可能高估对新患者的泛化。报告时如实写"段级 5 折协议"；宣称患者级泛化需外部验证。

Q27：我能自己重新划分数据吗？
可以，但必须固定随机种子并声明划分方式——你的数字与论文表内不可比（Q17 同理）。跑分割时别忘了"每折重复 3 次取最优均值"的口径（§4.1），单次运行不在同一口径上。

Q28：测地矩阵能自己重算吗？
能：方法即热方程快速近似测地法（Crane 等 2013），输入为流形网格，开源实现可复现。注意两点：语义是表面测地距离而非欧氏距离（坑 7）；自算结果与官方矩阵可能存在数值差，报告中注明矩阵来源。

Q29：除了动脉瘤任务，这个数据集还能干什么？
论文明列：法向估计（自带法向量）、测地距离估计（自带矩阵）、3D 表面重建、医学几何统计（§5.3）。社区另有用法：作为小规模 3D 医学自监督预训练语料（对比学习，§8.3）、几何先验训练场（SciRep 2024 用它训练 PointNet++ 几何分类器，TPR 0.96 后迁移到自有 CTA 数据）。

Q30：标签只有逐点 0/1，瘤颈怎么得到？
从 116 段逐点标签派生：瘤体点与血管点的交界线即瘤颈的近似（§2.4）。但破裂状态、解剖位置命名、瘤体尺寸测量等临床细粒度信息不可派生（§2.9），需要时请转临床队列或 LargeIA 式双标签数据。

Q31：分割结果向临床报告时还要给什么？
IoU/DSC 之外附 95% 置信区间（协议自带 CI95）；难例单独报告——小尺寸比瘤体与双动脉瘤段是全方法滑坡区（§4.5、附录 D）；记住瘤体列才是临床刻度（坑 8）。

Q32：为什么我的复现数字比论文低？
先过 §4.7 检查单，再查三处超参陷阱（坑 10）：PointGrid 用了原论文推荐 N=16/K=2（实测最优 32/2）、SSCN 分辨率档给低了（24→40 差异显著且波动 ~8%）、MeshCNN 面数档给到 750（1500 起步才正常）。

Q33：SpiderCNN 发表在哪？是 ACM TOG 吗？
不是。ECCV 2018。部分二手资料与汇总表把它误记为 ACM TOG——本条目两处存照（附录 K/L），引用时以 ECCV 2018 为准。

Q34：库内还有哪些相关条目？
共 18 条：第一轮 8 条见 §10.1（imagecas/drive/medmnist/ixi-brain/totalsegmentator/btcv/fairseg/wmh-challenge）；第二轮 10 条见 §10.3（brats/deepdrid/luna16/chase-db1/hrf/drishti-gs/retouch/verse-spine/ct-rate/selma3d）。脑部任务看 brats(24)，眼底血管看 drive(241)/chase-db1(251)/hrf(261)。

Q35：本条目数据核验到什么时点？后续会更新吗？
两轮核验均在 2026-09-29：成稿轮（WebSearch×5+ar5iv 全文+官方仓库+CVF+OpenDataLab+hf-mirror API+DB 查重）与补核轮（ADAM/LargeIA 档案、10 网络 venue、18 条 rid 实证）。年度复核建议清单见附录 S；发现直链失效或新版本发布时，优先信官方仓库与论文 v2。

Q36：数据可以在课堂上教学使用吗？
学术引用惯例覆盖教学场景（引 CVPR 2020 论文即可）。但若课程需要向学生再分发数据包（而非各自从官方下载），严格说落入 §7.2 的许可空白——稳妥做法是引导学生自行下载，或先通过反馈表单征得作者同意。

Q37：为什么分类用 2025 段，分割只有 116 段？
标注成本结构决定的：段级标签（含瘤/健康）可随段生成流程低成本获得（自动切分+人工筛选），而逐点标签需要专家在自研工具上手工勾画——8 小时只覆盖 116 段（§2.4）。两类段的口径差异见坑 3。

Q38：IntrA 的"段"是解剖学分段吗？
不是。段是算法切分的研究单元（随机种子点+测地阈值邻域，500-1700 点），不是解剖命名的血管分段；一段可能横跨多个解剖区域。做解剖学定位研究时不能用段的编号反推解剖位置——数据集不携带此类标签。

Q39：法向量是原始数据还是算出来的？
算出来的：MeshLab 清洗环节逐点生成（§3.3），属于派生属性。它服务点云网络的输入需求（PointNet 系特征之一）；需要原始信号强度/灰度的研究不适用——表面模型已经丢失了体数据灰度信息。

Q40：为什么说它是"小而多样"？
论文自述 small but diverse：绝对数量小（103 例），但动脉瘤形态四型全覆盖、段内瘤体占比从微小到显著均有分布。这直接决定解读方式——均值数字掩盖难例（§4.5），引用基准成绩时难例分析比均值更能说明方法成色。

Q41：能只下载其中一层吗（比如只要 116 标注段）？
官方 Google Drive 是文件夹形式，可按子目录选择性下载；OpenDataLab 镜像是 2.3GB 整包。选择性使用没问题，但引用时声明用了哪层（103/1909/116 口径见坑 3）。

Q42：215 个含瘤段的段级标签可靠吗？
215 段的"含瘤"属性来自段生成流程（随机+手动补选种子点）与可视化质控筛除，不是独立专家逐段复核的产物，粒度低于 116 段的逐点标注。严格结论优先以 116 段为据；215 段适合分类任务的规模统计（§2.3）。

Q43：能测标注者间一致性吗？
不能——116 段单人标注（8 小时），无重复标注数据；修复为双人协作但未公布一致性指标。需要 inter-rater 分析请自设实验并单独报告（坑 11）。

Q44：为什么有的资料把发布机构写成华南理工大学？
OpenDataLab 镜像的"发布机构"栏转写为"华南理工大学·东京大学"；第一单位口径为东京大学，Ding Xia 双挂华南理工（§8.1/FAQ Q3）。引用机构信息以论文作者栏为准。

Q45：引用数为什么各平台差这么多？
Google Scholar 120-161、Semantic Scholar 82-117——平台、时点、主页口径都不同（附录 G）。热度数字不入本条目正文结论；引用时绑定平台与时点。

Q46：做动脉瘤"检测"（有定位输出的那种）能用 IntrA 吗？
不能直接做。IntrA 的段级二分类是"给定血管段判断含瘤与否"，没有体数据意义上的位置输出；检测任务（找到瘤在哪里）请用 ADAM（TOF-MRA 体数据）或 LargeIA（CTA）——两者的任务定义就是检出+分割（§6.4；ADAM 模态口径见坑 9）。

Q47：跨域特征迁移（TRELLIS 类）的用法说明什么？
说明 IntrA 还承担"几何检验场"角色：非医学 3D 生成模型的几何嵌入能否迁移到医学表面任务，IntrA 提供小而干净的测试床（§8.3）。对一般研究者的启示：几何预训练特征值得在小样本医学任务上先试，再决定是否投入标注。

Q48：想要"血管+动脉瘤双标签"的体素数据去哪找？
LargeIA（Patterns 2021）：血管+动脉瘤双标签体素掩码，内部 1338 例 CTA+外部 138 例，Zenodo 申请制、非商用（附录 N）。IntrA 只有表面逐点二分类，无体素双标签。

事实清单（硬事实 45 条）

1. IntrA 全称 IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning，首个开放获取 3D 颅内动脉瘤数据集。

2. 论文发表于 CVPR 2020（Oral），DOI 10.1109/CVPR42600.2020.00273，arXiv:2003.02920（v1 2020-03-02，v2 2020-04-06）。

3. 作者：Xi Yang、Ding Xia、Taichi Kin、Takeo Igarashi；单位：东京大学（Ding Xia 另挂华南理工大学）。

4. 数据三层：103 完整脑血管 3D 模型；1909 自动生成血管段（1694 健康+215 动脉瘤段）；116 手工逐点标注动脉瘤段。

5. 分类任务实际使用 2025 段（1909+116 合并），论文 §4.1 明示。

6. 每个完整模型来自 512×512×180~300 张 TOF-MRA 2D 切片，体素 0.469×0.469×1 mm。

7. 重建用单阈值法（Hoogeveen 1998）；修复用交互式多阈值法（Kin 2012）+高斯平滑，软件 Amira 2019（Thermo Fisher）。

8. 修复由两名神经外科医生完成，共约 50 个工作日。

9. 表面清洗在 MeshLab 完成：去重复面/顶点、手工分离碎片、消除非流形边、生成法向量。

10. 测地矩阵用热方程快速近似法（Crane 2013）预计算，逐标注段 N×N。

11. 段生成：随机种子点+测地距离阈值邻域，手动补选提高含瘤段量，可视化工具人工筛除。

12. 标注工具为自研交互式工具（annotation/main.py）：闭合边界线+泛洪传播；支持多边界线。

13. 116 段标注由一名神经外科医生 8 小时完成。

14. 段内点数约 500~1700（测地距离 30 采样口径）。

15. 动脉瘤形态覆盖四型：分叉型/主干型/水泡型/混合型。

16. 原始 2D MRA 因医学伦理不发布。

17. 基准协议：shuffle 后 5 等分 5 折交叉验证，所有方法同划分；分割每折重复 3 次取最优均值；总训练超 92 小时（RTX 2080 Ti×2 + GTX 1080 Ti）。

18. 分类基准 6 方法（含多输入档）：PN++（1024）动脉瘤准确率 88.51% 最高；PointCNN（2048）血管 98.95% 与 F1 0.9044 最高；PointNet 最弱（动脉瘤侧 69.50%）。

19. 分割基准 11 网络：SO-Net（2048）瘤体 IoU 81.40%/DSC 88.76% 最高；PointConv（2048）血管 IoU 94.65%/DSC 97.18% 最高；PointNet 瘤体 IoU 37.30% 垫底。

20. PN++ 训练最快（5 s/epoch，GTX 1080 Ti，约 115 epoch 收敛）；PointCNN 最慢（24 s/epoch，约 500 epoch）。

21. 测地增强 PN++g 瘤体 IoU 76.21→76.95（vs PN++），均值提升 <1 点；双动脉瘤难例上与 PointConv 唯二稳定。

22. 3D CapsuleNet 在本数据集失败（全判健康血管），论文用作跨域泛化警示。

23. 官方 GitHub 组织为 intra3d2019；CVF 摘要页等误转写为 intra2d2019。

24. 官方数据托管 Google Drive（文件夹 ID 1yjLdofRRqyklgwFOC0K4r7ee1LPKstPh）；OpenDataLab 镜像 2.3GB；HuggingFace 无官方镜像。

25. 官方仓库无 LICENSE 文件；OpenDataLab license 栏未知；arXiv 论文 nonexclusive-distrib 1.0。

26. 资助：AMED JP18he1602001。

27. 团队后续：arXiv 2006.16161（2020-06）→ CVMJ 2023 两步法流水线（DSC 72% vs voxel 46%）→ MICCAI 2022 部分预配准。

28. 第三方使用：Nature Sci Rep 2024（PointNet++ 几何分类器 TPR 0.96）、对比学习（arXiv 2201.02198）、中文核心分割方法（2025）、TRELLIS 跨域特征迁移（2025）。

29. 页码双口径：2653-2663（dblp/NSTL/Mendeley）vs 2656-2666（OpenDataLab）。

30. 引用数多口径：Google Scholar 120-161、Semantic Scholar 82-117（时点不一）。

31. GitHub 仓库时间线：fileSplit/images/tools 2019-11-20 上传；paper（含补充材料）2020-04-06；README 最后更新 2020-04-08，此后静默。

32. arXiv 版本链：v1 2020-03-02（8,212 KB）→ v2 2020-04-06（8,521 KB），分类 eess.IV/cs.CV/cs.LG/stat.ML；arXiv license 为 nonexclusive-distrib 1.0。

33. ADAM 挑战赛数据全部为 TOF-MRA（Timmins et al., NeuroImage；官网 adam.isi.uu.nl），训练 113 例/129 UIA、测试 141 例/153 UIA——"4D-DSA/CTA/MRA 混合"系讹传（坑 9）。

34. LargeIA：Zenodo 记录 6801397/6801398；论文 An intracranial aneurysm labeling dataset with both vessel and aneurysm labels, Patterns 2(10):100197, 2021，DOI 10.1016/j.patter.2020.100197；内部 1338 例 CTA/1489 IA+外部 138 例/101 IA；申请制、非商用。

35. 10 网络 venue 存照：PointNet CVPR 2017；PN++ NIPS 2017；SO-Net CVPR 2018；PointGrid CVPR 2018（pp. 9204-9214, DOI 10.1109/CVPR.2018.00959）；SSCN CVPR 2018（Graham 等）；SpiderCNN ECCV 2018；PointCNN NIPS 2018；PointConv NeurIPS 2018；DGCNN ACM TOG 2019；MeshCNN SIGGRAPH 2019。

36. 第二轮 DB 实证（只读查询 ai_ready_dataset 表，主键 record_id，2026-09-29，10/10 命中）：新增库内互链 10 条——brats=24、deepdrid=211、luna16=237、chase-db1=251、hrf=261、drishti-gs=301、retouch=321、verse-spine=435、ct-rate=546、selma3d=681。

37. 库内无 aneurysm/ADAM 专属条目（title 模糊检索 0 行）；ADAM 与 LargeIA 在本条目中为库外锚点（档案附录 M/N）。

38. 患者级元数据（数量/年龄/性别/设备/机构）论文未披露；基准按段划分、未声明按患者分组（泄漏风险与应对见 §9.5）。

39. 论文结语提出计划持续扩充新处理的临床数据，截至 2026-09-29 未兑现；官方仓库 2020-04-08 后无更新。

40. 遗留疑点存照：Google Drive 直链可用性未实测（沙箱网络限制）；OpenDataLab 镜像 2.3GB 与官方包体积一致性未验证；仓库 star/fork 数未获取（API 受限）。

41. 超参实测存照：PointGrid 原论文推荐 N=16/K=2、IntrA 实测 N=32/K=2 最优；SSCN 分辨率 24→40 时 IoU 波动约 8%（其他方法约 2%）（坑 10）。

42. MeshCNN 面数档效应：750 面瘤体 IoU 55.63%，1500/2250 面 71.32%/71.60%——面数过少崩溃。

43. 尺寸比定义：动脉瘤对角线/全局段对角线；分类误分类主体为小体积或不完整动脉瘤。

44. CVPR 2020 于 2020-06-14~19（Seattle）举行；补充材料 supp.pdf 随仓库 paper/ 目录发布；官方另有用户反馈表单（forms.gle/rvMRsQ8t8Z6J8rdq8）。

45. 团队后续链存照：arXiv 2006.16161（2020-06-29，dblp 只录 CoRR 版，其是否正式发表于 workshop 无法证实）→ 期刊版 CVMJ 9(1):57-69, 2023（surface DSC 72% vs voxel 46%）。

术语表（34 条）

术语	英文	释义
颅内动脉瘤	Intracranial Aneurysm (IA)	脑血管壁局部膨出，破裂致蛛网膜下腔出血
瘤颈	Aneurysm neck	动脉瘤与载瘤血管交界区，夹闭手术的作用位点
夹闭	Clipping	夹闭瘤颈隔离血流的外科治疗
TOF-MRA	Time-Of-Flight MRA	时间飞跃法磁共振血管造影，无创成像
单阈值法	Single threshold method	按强度阈值分割血管体素的重建法
多阈值法	Multi-threshold method	交互调整阈值分离动脉瘤的修复法
点云	Point cloud	以离散点集（坐标+法向量）表示的 3D 表面
网格	Mesh	以三角形面片连接的表面表示，流形性是卷积前提
流形边	Manifold edge	至多被两面共享的边；网格卷积的数学前提
部件分割	Part segmentation	把对象逐点划分为语义部件的任务
测地距离	Geodesic distance	沿表面最短路径的距离，优于欧氏距离刻画管状结构
热方程法	Heat equation method	Crane 2013 的快速近似测地计算
V./A.	Vessel/Aneurysm accuracy	分类基准中健康段/动脉瘤段各自的准确率
IoU/JI	Jaccard Index	交并比，分割重叠度指标
DSC	Sørensen-Dice Coefficient	Dice 系数，分割相似性指标
CI95	95% Confidence Interval	折间/重复间的 95% 置信区间
PN++	PointNet++	层级采样分组的逐点网络
PN++g	PN++ + geodesic	输入含测地距离特征的 PN++ 变体
SSCN	Submanifold Sparse CNN	亚流形稀疏卷积（体素派）
DGCNN	Dynamic Graph CNN	动态图卷积逐点网络
SOM	Self-Organizing Map	SO-Net 用自组织映射建模点云分布
AMED	Japan Agency for Medical Research and Development	日本医疗研究开发机构（资助方）
CVMJ	Computational Visual Media	团队后续论文的发表期刊
ADAM	Aneurysm Detection And segMentation	体数据模态的动脉瘤挑战赛数据集（互补条目）

| UIA | Unruptured Intracranial Aneurysm | 未破裂颅内动脉瘤（ADAM/LargeIA 的标注对象口径） |
| 表面范式 | Surface-based paradigm | 以点云/网格流形为输入的 3D 方法路线（本条目主角） |
| 体素范式 | Voxel-based paradigm | 以体素栅格为输入的 3D 方法路线（SSCN/PointGrid；ADAM 榜单主流） |
| 挑战赛基准 | Challenge benchmark | 固定划分+官方评测+在线榜单的社区评测制（ADAM/LUNA16/BraTS 等） |
| 数据泄漏 | Data leakage | 同患者样本跨训练/测试折导致的评估偏倚风险（§9.5） |
| manifest | 数据清单 | 逐文件名/大小/哈希的校验清单（IntrA 未提供，需自建，§2.8） |
| 申请制数据 | Application-gated dataset | 需提交用途申请、获批后发下载的数据（LargeIA 制） |
| EdgeConv | Edge Convolution | DGCNN 的边特征卷积算子（动态 K 近邻图上提取边特征） |
| 边坍缩 | Edge collapse | MeshCNN 的池化操作，与其"网格边上卷积"机制配套 |
| Zenodo | — | CERN 运营的开放科研仓储（LargeIA 托管处，记录 6801397/6801398） |

附录

附录 A：条目信息速查卡

项	值
条目名	IntrA
url_name	intra
类型	3D 数据集+标注工具箱+基准（三合一）
论文	CVPR 2020 Oral（DOI 10.1109/CVPR42600.2020.00273）
团队	东京大学 Igarashi 实验室+神经外科（合作：华南理工大学）
规模	103 模型 / 1909 段（1694+215）/ 116 标注段
表示	点云+网格（表面原生，非体数据）
许可	无 LICENSE 文件（引用惯例）；arXiv nonexclusive-distrib 1.0
抓取时点	2026-09-29
库内互链	第一轮 8 条（imagecas(549)/drive(241)/medmnist(716)/ixi-brain(482)/totalsegmentator(422)/btcv(377)/fairseg(371)/wmh-challenge(501)）+ 第二轮 10 条（brats(24)/deepdrid(211)/luna16(237)/chase-db1(251)/hrf(261)/drishti-gs(301)/retouch(321)/verse-spine(435)/ct-rate(546)/selma3d(681)），共 18 条（附录 P/V）

附录 B：逐项证据链自证

关键数字	来源	位置
103/1909/1694/215/116	论文 §3.1 + GitHub README Data 节	ar5iv 全文、仓库页面（双源一致）
512×512×180~300、0.469×0.469×1 mm	论文 §3.3 Processing pipeline	ar5iv 全文
单阈值法/多阈值法/Amira 2019/50 工作日	论文 §3.3	ar5iv 全文
MeshLab 清洗+法向量	论文 §3.3 Data clean and re-meshing	ar5iv 全文
测地矩阵 N×N、热方程法	论文 §3.1、§3.3	ar5iv 全文
一名医生 8 小时标注	论文 §3.3 Generation and annotation	ar5iv 全文
分类 Table 1 全部数字	论文 §4.1 Table 1	ar5iv 全文
分割 Table 2 全部数字	论文 §4.2 Table 2	ar5iv 全文
5 s/24 s 每 epoch、92 小时总量	论文 §4、§4.2	ar5iv 全文
CapsuleNet 失败、PointGrid 参数观察	论文 §4.2 讨论段	ar5iv 全文
DOI 与页码	CVF Open Access、dblp、NSTL、Mendeley	多源交叉
无 LICENSE 文件	GitHub 仓库目录列表	仓库页面抓取 2026-09-29
Google Drive 直链与表单	README 下载链接与表单链接	仓库页面抓取
OpenDataLab 2.3GB 与 license 未知	OpenDataLab 条目页	页面抓取 2026-09-29
HF 无官方镜像	hf-mirror API datasets 检索	API 实查 2026-09-29
AMED JP18he1602001	GitHub README Acknowledgements	仓库页面抓取
CVMJ 2023 72% vs 46%	CVMJ 9(1):57-69 摘要与 arXiv 2006.16161	多源交叉
SciRep 2024 TPR 0.96	s41598-024-65825-4 正文	页面抓取

附录 C：数据获取决策树

你的网络是什么派别？
├── 点云派（PointNet/PN++/PointCNN/SO-Net/PointConv/DGCNN）
│   ├── 只跑分类基准 → 2025 段（生成段+标注段合并），按论文 5 折
│   └── 跑分割基准 → 116 标注段（含测地矩阵可选加载）
├── 网格派（MeshCNN/MeshNet）
│   └── 确认流形性（官方已清洗）→ 116 标注段 + MeshCNN 原生输入
├── 体素派（SSCN/PointGrid）
│   └── 表面转体素栅格（分辨率 24-40）→ 注意 §4.3 的性能差距
└── 需要 2D MRA / 体数据
    └── ❌ IntrA 不提供 → 转 ADAM / LargeIA

附录 D：动脉瘤类型与难例对照

难例来源	表现	受影响方法	论文证据
小尺寸比瘤体	各方法准确率齐跌	全体	§4.2 讨论+Fig 9
双动脉瘤段	多数方法失败	仅 PointConv/PN++g 稳定	§4.2+Fig 9 末行
微小/不完整动脉瘤（分类）	误分类主体	全体（A. 列低分主因）	§4.1 讨论
跨数据集泛化	CapsuleNet 全判健康	无层级设计的网络	§4.2 附加实验

附录 E：检索关键词映射

目标	建议检索式	避坑提示
官方仓库	intra3d2019 IntrA / IntrA CVPR 2020	别用 intra2d2019（坑 1）
论文	arXiv 2003.02920 / DOI 10.1109/CVPR42600.2020.00273	页码有双口径（坑 6）
中文文献	颅内动脉瘤 3D 点云数据集 IntrA	注意 102 例讹误（Q24）
互补数据集	ADAM aneurysm challenge / Large IA segmentation Zenodo	体数据与表面数据别混装
团队后续	Two-step Surface-based Pipeline CVMJ 2023	扩展版才是期刊正式版

附录 F：引文规范

BibTeX（论文+数据集联合引用）：

@InProceedings{Yang_2020_CVPR,
  author    = {Yang, Xi and Xia, Ding and Kin, Taichi and Igarashi, Takeo},
  title     = {IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  month     = {June},
  year      = {2020},
  pages     = {2653-2663}
}
@misc{intra2020dataset,
  author = {Xi Yang and Ding Xia and Taichi Kin and Takeo Igarashi},
  title  = {IntrA: 3D Intracranial Aneurysm Dataset},
  howpublished = {\url{https://github.com/intra3d2019/IntrA}},
  year   = {2020}
}

页码按 dblp/NSTL 口径写 2653-2663；若引用源采用 OpenDataLab 口径（2656-2666）请注明出处（坑 6）。

附录 G：双口径登记表

事项	口径 A	口径 B	处置
论文页码	2653-2663（dblp/NSTL/Mendeley）	2656-2666（OpenDataLab/部分聚合）	两口径并存，正文标注；DOI 为唯一锚点
引用数	120/127/161（Google Scholar）	82/117（Semantic Scholar）	仅作热度参考，不入正文数字
GitHub org	intra3d2019（官方正确）	intra2d2019（CVF/HypePaper 转写错误）	正文按 intra3d2019，坑 1 存照
数据规模	103 模型（论文/README/CVF 一致）	102 例（部分二手资料）	按 103，讹误存照
complete models 发布量	103（README）	无其他口径	单口径

附录 H：生产档案

项	值
代理	agent-b-intra
开工时间	2026-09-29T00:22（锁文件为准）
开工三查	锁不存在→新建；ps 留痕=5；writing/ 无同名目录
核验轮次	WebSearch×5 + ar5iv 全文解析 + CVF/OpenDataLab/GitHub 实抓 + hf-mirror API + DB 查重（0 命中）
brief 证伪	机构（苏州大学→东京大学+华南理工）、会议（MICCAI 2018 INTERPRET→CVPR 2020）、规模（102+1352→103/1909/116）
成稿方式	5 part 直写 /tmp/intra_agent-b-intra_part*.md 后 cat 拼接
自检	check_md.py + preflight_check.py（双零要求）

附录 I：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 元数据可检	部分	论文级元数据完整；数据集级无标准 schema
F2 全局唯一标识	是	DOI（论文）+GitHub（数据）
F3 引用元数据	是	CVF/dblp/GS 可索引
A1 可获取	是	直链+镜像（Google Drive 受限时有 OpenDataLab）
A2 协议开放	部分	无 LICENSE 文件——合规暗礁
I1 开放格式	是	标准网格/点云格式+Python 工具
I2 词典/本体	否	无逐例数据字典
R1 版本化	弱	arXiv v1/v2 论文版本可考；数据无版本号
R2 溯源	部分	构建流水线论文可溯；逐例元数据缺失
S1 持续维护	弱	2020-04 后无仓库更新

附录 J：缩写速查

缩写	全称
IA	Intracranial Aneurysm
MRA	Magnetic Resonance Angiography
TOF	Time-Of-Flight
PN++	PointNet++
SSCN	Submanifold Sparse Convolutional Network
DGCNN	Dynamic Graph Convolutional Neural Network
IoU/JI	Intersection over Union / Jaccard Index
DSC	Dice Similarity Coefficient
OA	Overall Accuracy
CVPR	IEEE/CVF Conference on Computer Vision and Pattern Recognition
AMED	Japan Agency for Medical Research and Development
CVMJ	Computational Visual Media

附录 K：基准网络 venue 档案（第二轮补核）

10 个核心网络的正式发表 venue 逐一补核如下（检索时点 2026-09-29）：

网络	正式 venue	常被误记为	存照说明
PointNet	CVPR 2017	—	Qi 等
PointNet++（PN++）	NIPS 2017	NeurIPS	2017 年会议官方名仍为 NIPS
SO-Net	CVPR 2018	—	Li 等
PointGrid	CVPR 2018	—	pp. 9204-9214, DOI 10.1109/CVPR.2018.00959
SSCN	CVPR 2018	—	Graham 等（Submanifold Sparse ConvNet）
SpiderCNN	ECCV 2018	ACM TOG	高频误记，勘误存照见附录 L
PointCNN	NIPS 2018	—	Li 等
PointConv	NeurIPS 2018	NIPS	2018 年起会议官方名更替为 NeurIPS
DGCNN	ACM TOG 2019	—	SIGGRAPH 2019 期刊轨
MeshCNN	SIGGRAPH 2019	ACM TOG	SIGGRAPH 2019 会议论文

（注：NIPS 与 NeurIPS 为同一会议的先后官方名称，本条目按发表当年官方名书写；DGCNN 的期刊版与 MeshCNN 的会议版在二手资料中常被互相写串。）

附录 L：第二轮勘误存照

事项	旧口径（已废弃）	实核口径	出处	正文落点
ADAM 模态	4D-DSA/CTA/MRA 混合	全部为 TOF-MRA	Timmins 等，NeuroImage（ADAM 挑战赛论文）+ 官网 adam.isi.uu.nl	§6.4/§8.4/坑 4/坑 9/FAQ Q20/Q25
SpiderCNN venue	ACM TOG	ECCV 2018	ECCV 2018 官方论文	§6.1/§6.2/附录 K/FAQ Q33
brief 机构（第一轮存照）	苏州大学	东京大学+华南理工	论文作者单位页	§8.1/FAQ Q3
brief 规模（第一轮存照）	102 例+1352 投影	103/1909/116	论文+README+CVF 三源	坑 3/FAQ Q24

勘误原则：旧口径只在附录存照，不进正文；两轮口径冲突时一律以"实核口径+一手出处"为准。

附录 M：ADAM 数据集档案（库外锚点）

项	值
全称	Aneurysm Detection And segMentation（ADAM）challenge
模态	TOF-MRA（全部）——坑 9 的勘误对象
规模	训练 113 例扫描/129 个 UIA；测试 141 例/153 UIA
任务	动脉瘤检出 + 分割双任务
机制	挑战赛注册制；在线榜单持续开放
官方出处	Timmins 等，Aneurysm Detection And segMentation (ADAM) challenge, NeuroImage（Elsevier）
官网	adam.isi.uu.nl
与 IntrA 关系	模态同源（TOF-MRA）、表示不同（体 vs 表面）、任务互补（检测/体分割 vs 分类/部件分割）

附录 N：LargeIA 数据集档案（库外锚点）

项	值
论文	An intracranial aneurysm labeling dataset with both vessel and aneurysm labels, Patterns 2(10):100197, 2021
DOI	10.1016/j.patter.2020.100197
托管	Zenodo 记录 6801397/6801398
模态	3D CTA
规模	内部 1338 例（1489 个 IA）+ 外部测试 138 例（101 IA）
标签	血管+动脉瘤双标签体素掩码
许可	申请制、非商用
与 IntrA 关系	体数据对照锚点（§6.4/§8.4）；模态（CTA vs TOF-MRA）与粒度（体素 vs 表面）双重不同

附录 O：第二轮补核方法论

轮次	手段	覆盖对象
1	WebSearch：ADAM aneurysm challenge 模态	ADAM 模态勘误（坑 9）
2	WebSearch：adam.isi.uu.nl + Timmins et al. NeuroImage	ADAM 双源确认
3	WebSearch：LargeIA Zenodo + Patterns 100197	LargeIA 档案（附录 N）
4	WebSearch：10 网络逐一 venue 检索	venue 表（附录 K）
5	DB 只读查询（qf_psql）	rid 互链实证（附录 P）+ aneurysm 条目反向查无

原则：每个可改动结论至少两源互证；无法两源的（如 Google Drive 直链可用性）不入正文结论，存照为遗留疑点（事实清单 40）。

附录 P：第二轮互链 rid 验证记录

查询：SELECT record_id, url_name, title FROM ai_ready_dataset WHERE record_id IN (24,211,237,251,261,301,321,435,546,681)（只读，2026-09-29，10/10 命中）：

rid	url_name	关系标签
24	brats	体数据病灶分割挑战赛（脑肿瘤 MRI）
211	deepdrid	眼底质量评估+DR 分级挑战
237	luna16	体数据病灶检测挑战赛（肺结节）
251	chase-db1	视网膜血管分割（儿童队列）
261	hrf	高分辨率眼底血管分割
301	drishti-gs	青光眼视盘/视杯分割
321	retouch	视网膜 OCT 积液分割挑战
435	verse-spine	脊柱 CT 椎体分割挑战
546	ct-rate	胸部 CT-报告多模态语料
681	selma3d	显微光片 3D 自/半监督分割（含血管结构）

反向查证：title ILIKE '%aneurysm%' OR title ILIKE '%ADAM%' → 0 行（库内确无动脉瘤专属条目，§10.3 注意事项的依据）。

附录 Q：第二轮生产档案

项	值
代理	agent-b-intraex（续 agent-b-intra）
锁	writing/intra/.lock = agent-b-intraex 2026-09-29T22:52:37+0800
任务链	租约锁 → 自检双零 → 结构对齐金标准（panda-plus 1207 行）→ 章节重编号 → part 扩写 → 锚点拼接 → 终检
part 清单	part2（§2.8/2.9）、part4（§4.7）、part6（新 §6 方法综述）、part7（§7.6）、part8（§8.5）、part9（§9.5/9.6）、part10（§10.3）、part11（坑 9/10）、part12（FAQ Q25-Q40）、part13/14（事实+术语扩充）、part15（附录 K-T）
拼接方式	按章节标题锚点插入（非行号），python 脚本执行后核行数
自检	check_md.py + preflight_check.py（双零要求，结果见终检汇报）

附录 R：条目修订史

版本	时点	内容
v1 成稿	2026-09-29（agent-b-intra）	863 行：§0-§11+FAQ 24 问+事实 30 条+术语 24 条+附录 A-J
v2 重编号	2026-09-29（agent-b-intraex）	§6-§11 顺移为 §7-§12，为新方法综述章（§6）让位；正文交叉引用同步
v3 扩写	2026-09-29（agent-b-intraex）	新增 §2.8/2.9、§4.7、§6 全章、§7.6、§8.5、§9.5/9.6、§10.3、坑 9/10、FAQ Q25-Q40、事实 31-45、术语 +10、附录 K-T；勘误：ADAM 模态、SpiderCNN venue

附录 S：维护者复核检查单（建议年度执行）

• [ ] Google Drive 直链与反馈表单可达性
• [ ] OpenDataLab 镜像在线状态与体积口径（2.3GB 是否变化）
• [ ] HuggingFace 是否出现官方/高星镜像（2026-09-29 时点为无）
• [ ] 官方仓库是否有新 commit（数据扩容承诺是否兑现，FAQ Q22）
• [ ] 引用数时点更新（Google Scholar/Semantic Scholar，仅热度参考）
• [ ] ADAM 榜单与 LargeIA Zenodo 记录状态
• [ ] 库内是否新建 aneurysm/ADAM/LargeIA 条目——若有，回填 §6.4/§10.3 互链并摘掉"库外锚点"标记
• [ ] 基准数字若有官方勘误或修订，同步 §4 与附录 G

附录 T：常见二手讹误对照表

讹误	实核	高发场景
“102 例”	103 个完整模型	中文二手资料、brief 转写
苏州大学团队	东京大学+华南理工	中文百科/新闻
MICCAI 2018 INTERPRET	CVPR 2020 Oral	会议混淆（同名 workshop 干扰）
intra2d2019	intra3d2019	CVF 摘要页/聚合站转写
ADAM=4D-DSA/CTA/MRA	全部 TOF-MRA	模态泛化讹传（坑 9）
页码 2656-2666	与 2653-2663 并存（双口径）	OpenDataLab 引文（坑 6）
SpiderCNN=ACM TOG	ECCV 2018	汇总表转抄（附录 K）
“116 个动脉瘤”	116 个标注动脉瘤段	数字口径压缩（坑 3）

附录 U：数字-章节速查索引

你要找的数字	在哪
103/1909/1694/215/116/2025	§2.1 三层结构表；坑 3 口径辨析
512×512×180~300、0.469×0.469×1 mm	§2.2
50 工作日 / 8 小时 / ~4 分钟每段	§3.5 成本账本；§2.4
分类基准全部数字	§4.2 全表；四个"最高"见 §4.7 检查单
分割基准全部数字	§4.3 全表
5 s / 24 s 每 epoch、92 小时总量	§4.6
测地增强提升（76.21→76.95）	§5.2；难例价值 §4.5
ADAM/LargeIA 规模与模态	§6.4、附录 M/N
72% vs 46%（CVMJ 2023）	§8.2、§6.5
引用数/页码双口径	附录 G
18 条库内互链 rid	§10.1/§10.3、附录 P/V
仓库时间线与可持续性	§8.5
标注一致性的可得性	坑 11、FAQ Q43

附录 V：库内互链总表（18 条，两轮 DB 只读实证）

第一轮（成稿轮，§10.1）8 条：

rid	条目	关系
241	drive	眼底血管分割金标准
371	fairseg	分割公平性方法论
377	btcv	CT 多器官分割
422	totalsegmentator	大规模 3D 分割
482	ixi-brain	脑 MRI（健康人结构）
501	wmh-challenge	脑 MRI 挑战赛基准
549	imagecas	冠脉 CTA 血管树分割
716	medmnist	轻量医学基准家族（含 3D）

第二轮（补核轮，§10.3）10 条：

rid	条目	关系
24	brats	体数据病灶分割挑战赛（脑肿瘤 MRI）
211	deepdrid	眼底质量评估+DR 分级挑战
237	luna16	体数据病灶检测挑战赛（肺结节）
251	chase-db1	视网膜血管分割（儿童队列）
261	hrf	高分辨率眼底血管分割
301	drishti-gs	青光眼视盘/视杯分割
321	retouch	视网膜 OCT 积液分割挑战
435	verse-spine	脊柱 CT 椎体分割挑战
546	ct-rate	胸部 CT-报告多模态语料
681	selma3d	显微光片 3D 自/半监督分割（含血管结构）

验证方式与反向查证（aneurysm/ADAM 条目 0 行）见附录 P；动脉瘤体数据两大数据集 ADAM/LargeIA 为库外锚点（附录 M/N）。

尾注

本条目由千方病案医数集 AI-Ready Wikipedia 写手代理（agent-b-intra）于 2026-09-29 基于三源互证成稿：论文全文（arXiv:2003.02920v2，ar5iv HTML 解析）、官方仓库（github.com/intra3d2019/IntrA）、CVF Open Access 官方页、OpenDataLab 镜像页、hf-mirror API 检索、以及库内 DB 只读查重。所有硬数字在附录 B 登记出处与位置；brief 与实核的出入（机构/会议/规模）在 §11 坑点与附录 G 全量存照。条目口径以论文原文与官方仓库为准，二手聚合站信息仅作旁证并标注冲突。

第二轮补核与扩写（agent-b-intraex，2026-09-29）：勘误 ADAM 模态（实为全 TOF-MRA，坑 9）与 SpiderCNN venue（实为 ECCV 2018），补核 LargeIA 档案与 10 网络 venue 表；新增 §6 方法综述全章及 §2.8/2.9、§3.5、§4.7、§5.4、§7.6、§8.5、§9.5/9.6、§10.3、坑 10-11、FAQ Q25-Q48、事实 31-45、术语 25-34、附录 K-V；库内互链两轮 DB 只读实证共 18 条（附录 P/V）。勘误存照见附录 L，补核方法论见附录 O，修订史见附录 R。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• mr-art — 共享标签：医学影像 / MRI / 医学图像分割 / 脑影像 / 评测基准
• ulf-enc — 共享标签：医学影像 / MRI / 脑影像 / 评测基准
• hyperkvasir — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
• prostate158 — 共享标签：医学影像 / MRI / 医学图像分割 / 评测基准
• adam-aneurysm — 共享标签：医学影像 / 医学图像分割 / 脑影像 / 评测基准
• selma3d — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 脑影像
• 3dreasonknee — 共享标签：医学影像 / MRI / 医学图像分割 / 评测基准
• acdc — 共享标签：医学影像 / MRI / 医学图像分割 / 评测基准
• cardiac-atlas-project — 共享标签：医学影像 / MRI / 医学图像分割 / 图像分类
• aims-tbi — 共享标签：医学影像 / MRI / 医学图像分割 / 脑影像

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。