LargeIA (largeia) — AI-Ready Wikipedia

INFOBOX — LargeIA 一屏速览

维度	内容
本质	贵州六院联盟 + 两家外部医院采集的 1,338 例颅内动脉瘤 CTA 体素级分割数据集（“Large” 修饰数据集规模，非动脉瘤尺寸、非大血管闭塞）
名称	Zenodo 正式名 Large IA Segmentation dataset；第三方文献缩写 LIASD；IA = intracranial aneurysm（颅内动脉瘤）
团队	贵州省人民医院（智能医学影像重点实验室）+ 清华大学（BNRist/软件学院/自动化系，戴琼海团队）；Lead contact 冯雪（Feng Xu，清华）
论文	Patterns 2(2):100197，2021-02-12（Cell Press，doi:10.1016/j.patter.2020.100197；PMC7892358；论文 CC BY-NC-ND 4.0）
数据	内部 1,338 例 3D CTA / 1,489 个 IA / 699,266 层 512×512 切片 / 约 174 GB；每例 152–1,310 层
划分	内部训练 1,186 例（全阳性）｜内部测试 152 例（126 IA，50 阴性）｜外部 A 71 例（50 IA）｜外部 B 67 例（51 IA）
设备	内部 11 台设备/三厂商（Siemens、Neusoft、GE）；层厚 0.6/0.625/0.75/1.0 mm；外部 A/B 均为 Philips
任务	CTA 上体素级动脉瘤分割 + 目标级检测 + 辅助诊断临床阅读实验；输入原始 CTA，无需前处理
模型	GLIA-Net（全局定位网络 + 局部分割网络双通路 3D 网络；pyramid-weighted loss + exponential logarithmic loss）
基准	DSC 中位数：内部 GLIA-Net 57.9（U-Net 23.2）；外部 A 76.8；外部 B 57.2
检测	内部测试 GLIA-Net 检出 103/126（recall 82.1），4.38 假阳/例；>7mm 召回 90.6 vs <3mm 70.3
临床	交叉实验：主治医生敏感度 68.8→88.2、准确率 80.6→88.7，平均读片时间 132s→121s
获取	Zenodo restricted：非商业用途 + 机构邮箱邮件申请（姓名/单位/导师/用途）；无 OSI license
许可	三层异构：数据 restricted｜代码非商业学术专用｜论文 CC BY-NC-ND 4.0
库内互链	intra（rid 723，脑血管影像域同簇）；外部参照 ADAM（MICCAI 2020 动脉瘤 CTA 挑战赛，未入库）

LargeIA 是一个把"颅内动脉瘤在 CTA 上有多难找"这件事变成可度量问题的数据集工程：它由贵州省六家医院联盟与两家外部医院贡献了 1,338 例三维 CT 血管造影（CTA）、1,489 个颅内动脉瘤，被逐层手工勾画成体素级分割掩码，全量近 70 万层切片、约 174 GB。与多数"给张图打个标签"的数据集不同，它的每一条病例都携带体素级的精细边界——因为动脉瘤在整幅 CTA 里通常只占百万分之一的体素，是典型的"大海捞针"任务。数据集同时配套一篇发表于 Patterns 的方法论文与一个叫 GLIA-Net 的双通路神经网络，以及一场真实的医师人机协同临床实验。

一句话概括它的价值主张：动脉瘤越小越难找、越漏越致命——LargeIA 用大规模多机构数据把这个难点量化，再用"全局定位 + 局部分割"的两段式网络与一次交叉设计的临床实验回答"AI 到底能不能帮医生看得更快更准"。

导语读法三则：

1. 别被名字骗了：“IA” 不是"大血管闭塞（large vessel occlusion）“，而是"颅内动脉瘤（intracranial aneurysm）”；数据集是真 CTA 不是 MRA。任务 brief 里的"MRA/大血管闭塞"描述是错的，本条目按实核口径成稿（坑 1）。
2. 只想申数据：直奔 §6 获取与许可——这是 restricted 记录，没有公开直链，必须走机构邮箱邮件申请，别指望一键下载。
3. 关心临床价值：直奔 §7 临床实验与 §5 基准数字——那里有"AI 辅助后医生敏感度提升近 20 个百分点"的完整证据链，也有"外部集召回显著低于内部集"的泼冷水。

§0 导读：这个数据集解决什么问题

颅内动脉瘤（intracranial aneurysm, IA）是脑血管壁的局部异常膨出，人群患病率约 3% 左右，绝大多数终生无症状——但它一旦破裂引发蛛网膜下腔出血（SAH），致死致残率极高。临床上医生面对的核心矛盾是：绝大部分动脉瘤无需处理，但那极少数会破裂的必须提前找到。而"找到"这件事本身在影像上就异常困难——论文 Figure 3 给出一个直观的量化：动脉瘤在整幅 CTA 中通常只占约 1/1,000,000 的体素，比一整张全景照片里的一个毛孔还小。漏诊在真实临床里并不罕见，尤其对经验不足的住院医生或小尺寸动脉瘤。

CTA（CT angiography，CT 血管造影）是筛查与诊断 IA 的一线无创手段：注射对比剂后快速扫描，血管腔内高亮，动脉瘤表现为血管壁上的异常凸起。技术上做 IA 自动检测早已不是新问题，但公开数据长期是瓶颈——规模小、单中心、或只有检测框没有像素级边界。LargeIA 的第一个贡献是数据规模：它把贵州省六家医院联盟（贵州省人民医院、遵义医科大学附属医院、铜仁市人民医院、兴义市人民医院、贵阳市第二人民医院、遵义市第一人民医院）的临床 CTA 汇集起来，形成 1,338 例、1,489 个动脉瘤的体素级标注集合，并另用两家外部医院（安顺市人民医院、织金县人民医院）构成独立外部验证集，检验跨机构泛化。

第二个贡献是方法：论文提出 GLIA-Net（Global Localization-based Intracranial Aneurysm Network），把"整幅找"和"局部切"两个难点拆成两条通路——先让全局定位网络估计动脉瘤在整个 3D 扫描中的概率分布，再让局部分割网络在候选区域做精细体素分割。这套设计的动机很直白：动脉瘤太小时，直接在大图上做分割会被海量背景淹没；而局部切割又会丢失全局上下文，容易误判。两通路恰好互补。

第三个贡献是临床验证：论文不满足于在测试集上刷指标，而是设计了一场交叉（crossover）临床试验——6 名主治医生与 6 名住院医生分成两组，在有无 AI 辅助两种条件下读同一批 CTA，比较敏感度、准确率与耗时。结论是 AI 辅助把主治医生的动脉瘤检出敏感度从 68.8% 拉到 88.2%，同时把平均读片时间从 132 秒略降到 121 秒——更快，而且更准。

§0 读法三则：

1. 这个条目是"数据集 + 方法论文 + 临床研究"三合一：本体是 1,338 例 CTA 加体素掩码，配套品是 GLIA-Net 网络与开源代码，副产品是一次人机协同临床实验——三者的许可与获取方式各不相同（§6）。
2. 全文统计数字均出自论文正文与 Table 1/2/3/4/5；论文存在两处内部自相矛盾（设备机型数六/七、表 3 列语义）已在坑点存照（§10）。
3. 检索时若用"MRA 动脉瘤分割数据集"或"large vessel occlusion"去找 LargeIA，会一头雾水——这是三条独立混淆链共同制造的口径误差（坑 1）。

§1 数据集速览：十问十答

十问覆盖"从哪来、是什么、怎么标、怎么评、怎么拿"五条主线，每条答案均可回溯到论文正文、表格或 Zenodo 记录（证据链见附录 C）。

Q1：LargeIA 的"1,338 例"从哪来？
来自贵州省六家医院联盟的多中心临床采集：论文原文列出 “Guizhou Provincial People’s Hospital, Affiliated Hospital of Zunyi Medical University, Tongren Municipal People’s Hospital, Xingyi Municipal People’s Hospital, The Second People’s Hospital of Guiyang, The First People’s Hospital of Zunyi”——全部位于贵州。这 1,338 例共含 1,489 个动脉瘤。

Q2：“Large” 是什么意思？
不是动脉瘤大，也不是"大血管"。论文用 “Large” 描述数据集规模：1,338 例 CTA、1,489 个 IA、约 70 万层切片，相对于同期公开的动脉瘤数据集（如 ADAM 的 131 例）大一个数量级。这个命名歧义是 brief 口径错误的来源之一（坑 1）。

Q3：图像规格是什么？
3D CTA 扫描，单层 512×512，每例沿深度轴 152–1,310 层不等，全量 699,266 层，磁盘约 174 GB。图像含完整头颈部，部分真实临床扫描还含颈部或心脏区域——论文特意说明这是未经裁剪的真实临床采集，不是实验室精修数据。

Q4：谁标注的，怎么标？
标注分两步：五名临床医生在每层切片上手工分割（使用开源标注软件 ITK-SNAP），两名资深 CTA 诊断放射科医生参照患者临床报告与个人信息复核。论文自述标注存在观察者间变异（inter-observer variability），但未公开一致性系数。

Q5：数据集怎么划分？
按论文 Table 1：内部训练 1,186 例（含 1,363 个 IA，全部为阳性、不含阴性病例）；内部测试 152 例（126 个 IA，含 50 例阴性）；外部 A 71 例（50 个 IA，含 24 例阴性）；外部 B 67 例（51 个 IA，含 22 例阴性）。注意训练集全阳性是论文明确承认的严重类别不平衡来源。

Q6：用的是什么设备？
内部 11 台设备、三家厂商：Siemens（SOMATOM Definition AS+/Flash/Force、Sensation 64）、Neusoft 东软（NeuViz 128）、GE（Discovery CT）；层厚四种：0.6/0.625/0.75/1.0 mm。外部 A 用 Philips Ingenuity CT、外部 B 用 Philips Brilliance 64，层厚均为 0.9 mm（内部集没有的层厚）。设备机型数在论文正文与图注间有六/七的冲突（坑 3）。

Q7：GLIA-Net 是什么？
论文配套的双通路 3D 网络：全局定位网络估计动脉瘤在整幅扫描中的概率分布，局部分割网络在候选区域做精细分割。训练用了 pyramid-weighted loss（>400 体素目标权重 3.0~20.0，小目标固定 11.5）与 exponential logarithmic 损失，约 200k 步，单张 RTX 2080Ti 11GB 即可训练。

Q8：分割精度怎么样？
体素级 DSC 中位数：内部测试 GLIA-Net 57.9（U-Net 23.2、HeadXNet 23.2）；外部 A 76.8；外部 B 57.2。GLIA-Net 相比基线在三个集合上都大幅领先，但跨机构的外部集表现差异显著——外部 B 明显低于外部 A。

Q9：检测能力怎么样？
目标级：内部测试检测出 103/126 个动脉瘤（recall 82.1），每例平均 4.38 个假阳；外部 A recall 72.0、外部 B recall 71.8。按尺寸分层：>7mm 召回 90.6，3–7mm 82.3，<3mm 仅 70.3——越小越漏是核心痛点。

Q10：怎么拿到数据？
Zenodo 记录（10.5281/zenodo.6801398）是 restricted 访问：仅限非商业用途，需提供使用者姓名、单位、导师与用途，并且必须用机构邮箱发送申请。没有公开直链、文件列表不公开、没有 OSI 标准许可。详见 §6。

§2 数据构成与规格

2.1 规模、来源与机构构成

LargeIA 的数据规模可按三层理解——病例、动脉瘤、切片。

口径	内部数据集	外部 A	外部 B
病例数	1,338	71	67
动脉瘤数	1,489	50	51
阴性病例	—（内部整体含阴性；训练集全阳性）	24	22
机构	贵州省六院联盟	安顺市人民医院	织金县人民医院
采集设备	11 台/三厂商/六机型	Philips Ingenuity CT	Philips Brilliance 64
层厚	0.6/0.625/0.75/1.0 mm	0.9 mm	0.9 mm

全量切片数与磁盘体积按内部数据集计：699,266 层 512×512 切片、约 174 GB。每例层数 152–1,310 层不等，跨度接近 9 倍，反映不同扫描协议与覆盖范围的真实差异。

机构的构成值得单独说明。论文正文明确列出内部数据来自六家贵州机构，命名逐字为：贵州省人民医院、遵义医科大学附属医院、铜仁市人民医院、兴义市人民医院、贵阳市第二人民医院、遵义市第一人民医院。这是一种"省级医院联盟式"的多中心采集——六家都在贵州省内，覆盖省级三甲与地市级医院，但地域集中度较高，这一点在评估其泛化性时必须计入。两家外部验证机构（安顺市人民医院、织金县人民医院）同样在贵州，属于"同省跨机构"外部集，而非跨省或跨国验证。

算法侧则由清华大学承担：北京信息科学与技术国家研究中心（BNRist）、软件学院（Yong Jun-Hai、Feng Xu）与自动化系（戴琼海 Qionghai Dai 院士团队）。通信作者四位——Feng Xu（lead contact，feng-xu@tsinghua.edu.cn）、张体江（遵义医科大学附属医院）、王荣品（贵州省人民医院）、戴琼海（清华）。论文共 21 名作者。

2.2 图像规格与采集参数

数据为 3D CTA，单层空间分辨率为 512×512。论文对采集参数的披露相当完整：

• 扫描体位：全部患者采用头先进仰卧位（head-first-supine, HFS）。
• 管电压：70–140 kV；管电流：45–1,275 mA——区间跨度极大，说明数据来自真实临床，未做协议统一。
• 层厚：内部集四种（0.6/0.625/0.75/1.0 mm）；外部 A/B 均 0.9 mm。
• 内容：图像包含完整头颈部，部分扫描含颈部或心脏区域——论文明确指出这是因为数据取自真实临床检查、未经裁剪。

这种"不干净"反而是数据集的卖点：模型必须在含无关解剖结构的完整扫描上工作，而不是在预裁剪的理想 ROI 上"表演"。论文在方法部分强调 GLIA-Net 直接作用于原始 CTA、“without any laborious preprocessing”（无需骨去除等繁琐前处理），正是为了匹配这种真实场景。

2.3 病例标签与结构化字段

每个病例除体素级分割掩码外，还携带结构化临床信息：年龄、性别、是否破裂。论文说明数据同时包含未破裂动脉瘤与破裂动脉瘤（后者伴蛛网膜下腔出血 SAH 或脑实质出血）。

关于人口学分布，论文自述阳性病例在机构、年龄、性别维度上分布"roughly equally"（大致均衡）。此处需谨慎：论文 Table 1 的人口学列在 PDF 提取中存在顺序错位风险，本条目不硬引具体列值，仅采信论文"大致均衡"的自述。

数据集的"阳性/阴性"结构是理解其评测逻辑的关键。内部训练集 1,186 例全部为阳性（1,363 个 IA），论文直言 “training already suffers from severe data imbalance”（训练已受严重数据不平衡困扰）；而内部测试集与两个外部集则特意掺入阴性病例（内部测试 50 例阴性、外部 A 24 例、外部 B 22 例），用以检验模型在"有瘤/无瘤"上的判别能力，而不只是"瘤在哪"。这一设计细节对复现者至关重要（坑 6）。

2.4 与库内可获取性光谱的对照

同域（颅内动脉瘤 CTA 分割/检测）的公开数据集并不多，LargeIA 与最常被拿来比较的 ADAM 呈现鲜明反差：

维度	LargeIA	ADAM
规模	1,338 例 CTA	131 例 CTA
来源	贵州六院联盟多中心	单中心（荷兰 Utrecht）
任务	分割 + 检测 + 临床实验	检测 + 分割（挑战赛）
获取	restricted（邮件申请制）	公开下载（Zenodo 直链）
许可	无 OSI、非商业	有明确许可、可公开发布

一句话：ADAM 规模小但开放，LargeIA 规模大但要申请。两者并非替代关系，而是"零门槛入门"与"高质量大规模"两种取向的代表（§7.3）。

2.5 设备与厂商清单

按论文正文（六机型口径）逐台列出内部采集设备，供复现者核对设备偏移：

厂商	机型
Siemens	SOMATOM Definition AS+
Siemens	SOMATOM Definition Flash
Siemens	SOMATOM Force
Siemens	Sensation 64
Neusoft（东软）	NeuViz 128
GE Healthcare	Discovery CT

外部集设备：外部 A = Philips Ingenuity CT（单设备），外部 B = Philips Brilliance 64（单设备）。注意外部集与内部集不仅厂商不同（Philips vs Siemens/Neusoft/GE），层厚也不同（0.9 mm vs 0.6–1.0 mm）——这使外部集天然成为一次"跨厂商 + 跨层厚"的域偏移测试。

"11 台设备/三家厂商"这一表述在论文中出现两处，但机型数却有分歧：正文说 six equipment models，Figure 3 图注说 seven equipment models。本条目以上表六机型为正文口径，将图注的"七"作为存照（坑 3）。这看似是排版疏漏，但对"设备数到底几台、机型到底几种"有硬需求的复现者来说，必须知道源头文档本身没对齐。

§3 注释流水线：五名医生 + 两名复核

3.1 人员结构

LargeIA 的标注流程可概括为"五标注 + 两复核"的两级结构。论文 Figure 3 图注原文：“The presence of IAs was annotated by five clinicians and reviewed by two experienced CTA diagnosis radiologists with reference to the patients’ clinical reports and personal information.”（动脉瘤的存在由五名临床医生标注、由两名资深 CTA 诊断放射科医生参照患者临床报告与个人信息复核。）

这一结构比"单人标注"更可信，但仍弱于"多专家委员会 + 一致性统计"的强标注范式——关键差别在于论文没有公开标注者间一致性系数（如 Kappa 或 Dice），也没有说明分歧如何裁决。论文坦承：“there might be some bias or noise considering the vague boundary of IAs in CTA images and high inter-observer variability”（考虑到 CTA 图像中动脉瘤边界模糊与高观察者间变异，可能带有一定偏倚或噪声）。也就是说，ground truth 本身被作者承认为带噪的。

3.2 工作流与标注工具

标注的核心工序是逐层手工分割。论文 Methods 明确：“The identified IAs were manually segmented on each slice by using the open-source annotation software ITK-SNAP.”（识别出的动脉瘤在每一层上使用开源标注软件 ITK-SNAP 手工分割。）产出的分割掩码"was used as the ground truth standard both in training and evaluation"（同时作为训练与评估的金标准）。

这里有一个极易踩的坑：论文 Data availability 一节另提到一个叫 MedLabelMe 的工具（GitHub MeteorsHub/MedLabelMe），但措辞是 “The annotation tool used in the clinical study”（临床研究中使用的标注工具）——它服务于 §7 的人机协同临床实验（医生在辅助下读片、标记），不是数据集本体标注所用的工具。把 MedLabelMe 当成数据集标注工具是常见误读（坑 5）。

标注对象与产出：

1. 医生在完整 3D CTA 上定位动脉瘤（含极小目标）。
2. 在每一层切片上勾画动脉瘤边界，形成体素级掩码。
3. 两名资深放射科医生复核掩码与临床报告的一致性。
4. 同时记录病例级结构化字段：年龄、性别、是否破裂。

3.3 标注难点的量化

为什么 LargeIA 的标注成本高、且必然带噪？论文给出了两重量化：

• 目标极小：动脉瘤在整幅 CTA 中约占 1/1,000,000 的体素。在 512×512×数百层的三维体里，一个直径几毫米的动脉瘤可能只占几十到几百个体素。
• 边界模糊：CTA 上动脉瘤与载瘤动脉的交界常不锐利，且与周围骨质、对比剂强化区在灰度上可能接近，人工勾画存在固有主观性——正是论文所指 “vague boundary” 与 “high inter-observer variability”。

这两点共同决定了：任何在该数据集上训练的模型，其性能上限不仅受算法限制，也受标注可重复性的限制。论文没有为这一限制提供量化（未给 Kappa），是本数据集在"可复现评测"意义上的一个已知缺口（§9.4 与坑 7）。

3.4 与强标注范式的对照

把 LargeIA 的标注与业界更严格的范式对照，能看清它的位置：

维度	LargeIA	理想强标注范式
标注者数	5 标注 + 2 复核	多专家独立标注 + 仲裁
一致性统计	未公开 Kappa/Dice	公开 ICC/Kappa
分歧裁决	未说明	明确的仲裁协议
边界定义	论文承认模糊	有书面标注规范
ground truth 性质	单一金标准	概率/多标注分布

结论是：LargeIA 的标注质量在同量级数据集里属中上（有复核、有临床信息参照），但尚未达到"多专家一致性可量化"的强标注门槛。使用者在做"模型是否已超人类"之类论断时应格外谨慎——因为"人类"的水平在这个数据集里并没有被统计地定义。

§4 GLIA-Net：全局定位 + 局部分割的双通路设计

4.1 为什么需要两条通路

要在整幅 3D CTA 里做体素级动脉瘤分割，直接端到端训练会遇到一对矛盾：

• 若在全图上做分割：动脉瘤只占百万分之一体素，海量背景主导损失，网络容易"学会输出全背景"就能拿高准确率——这正是 U-Net、HeadXNet 在该数据集体素级 DSC 只有 11–35 的根因。
• 若只切局部小块训练：局部视野丢失全局上下文，无法判断"这个小凸起相对整条血管是否异常"，检测阶段无从下手。

GLIA-Net 的解法是把问题显式拆成"整幅找区域"与"局部切边界"两段，用两条通路分别解决。论文称其为 “GLIA-Net (global positioning network)”，即 Global Localization-based Intracranial Aneurysm Network。

4.2 双通路结构

通路一：全局定位网络（global positioning network）

• 输入整幅 3D CTA（论文称 global image，沿深度轴层数不定）。
• 用 3D 卷积提取全局特征图，经 ROI pooling 取出当前局部 patch 对应区域的特征，再经自适应池化 + 3D 卷积，得到"全局定位特征"。
• 目标：估计动脉瘤在整个扫描中的概率分布（哪里像动脉瘤），辅以一个全局二分类交叉熵损失。
• 作用：告诉网络"该重点看哪些区域"，把后续局部处理的搜索空间从整幅图缩到少数候选。

通路二：局部分割网络（local segmentation network）

• 输入是带重叠的局部 patch（论文用 3D tiling with overlap 把全图切成子图）。
• 主干是 3D U-Net18（残差块；转置卷积解码 + skip connection），并把通路一传来的全局定位特征逐元素相乘融合进局部特征。
• 作用：在候选区域内做精细的体素级边界分割——把"这里可能是瘤"变成"这里精确到每个体素是不是瘤"。

两通路的连接正是这套设计的精髓：全局通路负责定位与先验，局部通路负责边界与判别，全局特征通过乘法门控局部编码——避免局部网络在看不到全局时误判。

4.3 训练细节与损失设计

论文披露的训练配置相当完整，便于复现：

项目	设定
框架	PyTorch
硬件	单张 RTX 2080Ti 11GB
优化器	Adam，lr 0.0002，每 10,000 步 ×0.95 衰减
batch size	3
训练步数	约 200,000 步
显存占用	batch 1 约 3GB
数据增强	随机翻转 + 随机旋转
推理时间	内部测试 103 s/例（U-Net 92.4 s；HeadXNet 69.2 s）

损失函数是这套方法的技术亮点之一：

• pyramid-weighted loss：显式考虑专家标注者间变异与不确定性。对 >400 体素的目标权重取 3.0~20.0，小目标固定 11.5——通过加权让网络对小目标（更易漏、更致命）给足关注。
• 局部损失：exponential logarithmic loss（Dice 权重 0.8 / Cross-Entropy 权重 0.2，γ 均取 0.3）。
• 全局损失：局部权重 0.1、全局权重 1.0 的相对配比。

patch 采样策略同样针对"小目标"设计：训练时 patch 中心距动脉瘤中心最多 38 像素（保证正样本密度）；阴性 patch 中心随机取（保证网络见到足够多的负样本，缓解训练集全阳性的不平衡）。

4.4 评估协议

论文的评估设计严谨度高于多数同类工作，值得单列：

• 概率阈值统一取 0.5。
• 5 次独立运行取 95% 置信区间——报告的不是单次跑分，而是带不确定性的区间，抑制"调参恰好"的偶然性。
• 双层指标：体素级（Precision / Recall / DSC / 95% HD / AUC / AP）+ 目标级（TPs / FNs / FPs / Recall / FPs per case）。
• 尺寸分层：把目标按 <3mm / 3–7mm / >7mm 分档看召回，直指"小动脉瘤难"这一临床痛点。
• 临床层：交叉设计的医生读片实验（§7）。

三层指标（体素/目标/尺寸）+ 三层集合（内部/外部A/外部B）+ 置信区间，构成了一个相当完整的评测矩阵。这正是本数据集常被后续工作（如破裂风险预测、半监督分割）引为基准的原因。

4.5 方法学的可迁移经验

从 LargeIA/GLIA-Net 中可提炼三条对同类问题有普适价值的经验：

1. "先定位、后分割"的两段式对小目标分割是有效的架构模式，尤其当目标在整图中占比极小（<0.001%）时，直接端到端分割会让网络被背景淹没。
2. 损失函数要编码任务先验：pyramid-weighted loss 对"小目标权重更高"的显式建模，比统一损失更匹配"大小目标代价不对称"的临床现实（漏掉小动脉瘤的后果远大于多标一个假阳）。
3. 评测必须给不确定性：5 次运行取 95% CI，是把"数字"变成"可信数字"的最低成本手段，值得作为医学影像基准的默认要求。

§5 基准：体素级、目标级与尺寸分层

5.1 体素级分割（Table 2）

论文 Table 2 报告了三个集合上的体素级分割指标，下表先列最核心的 DSC（Dice 相似系数）中位数：

数据集	U-Net	HeadXNet	GLIA-Net
内部测试	23.2	23.2	57.9
外部 A	35.3	32.4	76.8
外部 B	11.3	18.1	57.2

GLIA-Net 的完整指标（GLIA-Net 行）：

集合	Precision	Recall	DSC	95% HD	AUC	AP
内部测试	48.8	72.9	57.9	9.07	98.2	61.9
外部 A	71.2	83.9	76.8	8.28	99.0	80.5
外部 B	59.8	57.4	57.2	8.78	98.2	55.8

读这三组数字，有三点必须同时看到：

第一，GLIA-Net 相比 U-Net/HeadXNet 是碾压式的：内部 DSC 57.9 vs 23.2，外部 A 76.8 vs 35.3。这说明"两段式 + 全局先验"的架构对极小目标分割是量级上的改进，不是调参能弥补的。

第二，跨外部集差异巨大：GLIA-Net 在外部 A 拿到 76.8，在外部 B 只有 57.2，相差近 20 个 DSC 点。外部 A 用 Philips Ingenuity CT、外部 B 用 Philips Brilliance 64——同为 Philips 却差异显著，说明"域偏移"不能简单归结为厂商，还叠加了层厚、协议、患者群体等多重因素。任何只看内部测试分数的宣传都会高估真实泛化能力。

第三，AUC 高而 DSC 低的悖论：三个集合 AUC 均 98+，但 DSC 最低仅 57.2。这解释了任务本质——模型"知道动脉瘤大概在哪"（AUC 高）相对容易，但"把边界切得和医生一样准"（DSC 高）极难，因为动脉瘤边界本身就模糊。用 AUC 高来宣称"分割做得好"是常见的误导。

5.2 目标级检测（Table 3）

体素级 DSC 之外，临床更关心"有没有漏掉动脉瘤"——这就是目标级指标的意义：

数据集	模型	检出 (TP/总)	Recall (%)	FP/例
内部测试	GLIA-Net	103/126	82.1	4.38
内部测试	U-Net	—	73.3	30.8
内部测试	HeadXNet	—	54.9	15.9
外部 A	GLIA-Net	—	72.0	2.72
外部 B	GLIA-Net	—	71.8	4.42

Table 3 的列语义值得说明（FACTS §9 已数字自洽验证）：表头为 TPs/FNs/FPs/Recall/FPs per case。检验：GLIA-Net 内部 103 TP + 约 22.6 FN ≈ 126 个 IA；FP 总数 666 ÷ 152 例 = 4.38/例——确认 FPs 列是总数而非每例（这一点易被误读，见坑 8）。

这组数字最有价值的对比是假阳率：GLIA-Net 内部 recall 82.1、4.38 FP/例；U-Net recall 73.3 但 30.8 FP/例（是 GLIA-Net 的 7 倍），HeadXNet recall 54.9、15.9 FP/例。也就是说，基线要么漏得多，要么"宁可错杀"报一堆假阳——临床上一个 4.38 FP/例的模型尚需医生逐一排除，30.8 FP/例则基本不可用。GLIA-Net 的核心临床价值不只在高 recall，更在把假阳压到可接受量级。

外部集的表现再次给出警示：外部 A recall 72.0、外部 B recall 71.8，均明显低于内部测试的 82.1——跨机构后召回下降约 10 个百分点。这与 §5.1 的 DSC 下降同源，共同指向"域偏移是这套数据最难跨越的坎"。

5.3 尺寸分层（Table 5）

论文把检测结果按动脉瘤尺寸分档，直击临床最痛的点：

尺寸档	Recall (%)	FP/例
<3 mm	70.3	5.22
3–7 mm	82.3	5.05
>7 mm	90.6	3.52

论文总结：“recall rate of IAs larger than 7 mm is about 20% higher than that of IAs smaller than 3 mm”（>7mm 的召回率比 <3mm 高约 20%）。这 20 个百分点的差距正是临床现实：大动脉瘤容易发现，小动脉瘤才是漏诊重灾区，而恰恰是部分小动脉瘤与破裂风险相关。此外，小尺寸档的假阳也更高（5.22 vs 3.52 FP/例）——小目标在边界模糊、对比度低的情况下，既容易漏也容易误报。

5.4 与基线模型的定位

把三个模型在本数据集上的角色理清，有助于复现者选择对照：

• U-Net：通用医学分割基线，内部 DSC 23.2——在本任务上几乎"不及格"，说明通用架构直上极小目标会失败。
• HeadXNet：原本为颅内出血/头颈影像检测设计的网络，本处作为"任务相近的强基线"，内部 DSC 23.2（与 U-Net 持平）、目标级 recall 54.9。
• GLIA-Net：论文提出的专用架构，全面领先。

这一对照的启示是：面向特定临床任务的架构设计（全局定位）比"拿通用分割网络套上去"更有效，尤其在目标占比较小的场景。它也为后续工作提供了一个明确的"强基线 + 专用架构"参照系。

5.5 复现者自查清单（在本数据集上跑模型前后必核）

基于本条目 §3–§5 提炼的十条自查，供任何打算在 LargeIA 上训练或评测的团队逐条核对：

1. 确认模态与任务：数据集是 CTA 体素级分割 + 目标级检测；不要按 MRA/闭塞分割的实验设计去做（坑 1）。
2. 确认数据划分：严格按 Table 1 的 1,186 / 152 / 71 / 67 划分，不要把外部集混入训练——外部集是留作跨机构泛化检验的。
3. 处理训练集全阳性：内部训练集不含阴性病例（坑 6）。若你的应用是筛查（有大量无瘤病例），必须自备阴性样本或复现论文的 patch 采样策略，否则假阳不可控。
4. 统一评估口径：概率阈值 0.5、多次独立运行取 95% CI。单次最优结果不可作为主张。
5. 体素级用 DSC + 95% HD：不要只看 AUC——本数据集的 AUC 在三个集合都 98+，几乎不区分模型，但 DSC 从 11.3 到 76.8 差距巨大（§5.1）。
6. 目标级用 recall + FP/例：报告每例假阳量级。一个 recall 高但 FP/例 30+ 的模型临床不可用（§5.2）。
7. 按尺寸分层报告：至少分 <3 / 3–7 / >7 mm 三档。只报总体召回会掩盖"小动脉瘤漏诊"这一核心痛点（§5.3）。
8. 外部集必须单独报告：内部测试高分不代表泛化；外部 A/B 之间的 20 个 DSC 点差距说明"域偏移"是真实存在且量级可观的（§5.1）。
9. 承认 ground truth 有噪：不要做"模型超过人类"的论断——本数据集未定义统计意义上的人类基线（坑 7）。
10. 引用双 DOI：论文（10.1016/j.patter.2020.100197）+ 数据（10.5281/zenodo.6801398），见附录 W。

这十条的共同逻辑是：LargeIA 的数字只有在口径对齐时才可比——口径漂移（模态、划分、阈值、指标选择、分层方式）会让"我在 LargeIA 上达到 DSC 80"这类表述失去意义。

§6 获取与许可：三层异构的门怎么进

6.1 三层资产、三种门

LargeIA 的"获取"不能一概而论，因为它至少涉及三类各自独立的资产，且许可互不相同：

资产	载体	访问方式	许可
数据集本体	Zenodo 记录 6801398	restricted（邮件申请）	无 OSI license；非商业用途
官方代码 GLIA-Net	GitHub（ZhaojunRapid/GLIA-Net）	公开浏览	非商业学术专用（非标准 OSI）
论文本体	Patterns / PMC	开放获取	CC BY-NC-ND 4.0

三者中最容易误用的是**“论文开放获取"被错当成"数据开放”**：论文在 Cell Press 是 CC BY-NC-ND 4.0、任何人都能读全文，但数据本体是 restricted、要申请。能读论文 ≠ 能用数据。

6.2 Zenodo 记录的准确形态

数据集托管在 Zenodo，有两个 DOI，这一点常被混淆（坑 4）：

• 版本 DOI：10.5281/zenodo.6801398（对应 record 6801398，v1 版本，is_last: true，唯一版本）。
• 概念 DOI：10.5281/zenodo.6801397（对应 record 6801397，为 concept record；访问它显示的与 6801398 相同）。

引用时应使用版本 DOI 10.5281/zenodo.6801398。Zenodo API 的关键字段显示：

• access_right: “restricted”（限制访问）。
• 无标准 license 字段（restricted 记录未挂 OSI 许可）。
• 文件列表不公开（API files: []）——检索者看不到分发文件清单与体积。
• publication_date: 2021-02-12（保留论文发表日期）；created: 2022-07-20（数据实际迁移至 Zenodo 的日期）。

6.3 申请条件与实操

Zenodo 记录描述原文给出获取条件：“The dataset is only available for non-commercial purposes. Please provide the user’s name, affiliation, supervisor and usage purpose. Please use the email account of your institution to send the request.”

拆解成可执行的申报清单：

1. 用途限定：仅非商业用途（学术研究、非营利）。
2. 须提供：使用者姓名、所属单位、导师（supervisor）、使用目的。
3. 邮箱要求：必须使用机构邮箱发送申请——个人邮箱（如 gmail/qq）大概率不被接受。

这条"机构邮箱"要求在国内多中心数据集里是常见做法，意在过滤身份不明的请求者。对独立研究者或学生而言，务必用学校/研究机构邮箱，并在申请中简明说明研究计划，能显著提高通过率。

6.4 历史获取路径的演变

理解 LargeIA 的获取门，需要知道它并非一开始就在 Zenodo：

• 2021-02-12（论文发表时）：数据存放在团队自建的 seafile 服务器 http://39.98.209.108/seafile/d/34d94c4bc44a42fdb33d/（论文 Data availability 原文）。
• 2022-07-20：数据迁移至 Zenodo——GitHub README 的 commit “move the dataset to Zenodo”（2022-07-20）与 Zenodo API 的 created: 2022-07-20 双证吻合。

因此，早期文献里指向 seafile 自建服务器的链接可能已失效，检索者应以 Zenodo 记录为准。这一迁移也解释了为什么论文里写的下载方式与今天的实际入口不一致（坑 9）。

6.5 代码资产

官方代码在 GitHub（论文与 PMC 原写 MeteorsHub/GLIA-Net，现地址解析到 ZhaojunRapid/GLIA-Net——仓库经过 transfer，旧链接会重定向，README 自称 official repository；预训练模型 checkpoint-0245700.pt 的下载链仍指向 MeteorsHub releases v1.0）。代码许可为：“The code is licensed for non-commerical academic research purpose only.”（仅限非商业学术研究用途）——非标准 OSI 许可。

代码栈：PyTorch（torch>=1.4）、SimpleITK、medpy；数据格式 nii.gz；推理支持 nii.gz 与 DICOM 序列；提供全流程脚本 train.py / evaluate.py / evaluate_per_case.py / inference.py / refine_segmentation.py。

6.6 AI-Ready 光谱定位

按 AI-Ready 的"可获取性光谱"，LargeIA 处于 restricted / 请求制一端——与同域 ADAM（Zenodo 公开直链下载）形成对照。它的溢价在于：数据规模大（10× ADAM）、国内多中心、带临床元数据（年龄/性别/破裂）、有配套方法论文与临床实验。它的代价在于：没有一键下载、审批有等待、无法用于需预先验证数据分布的项目（如赶挑战赛 deadline）。

一句话决策：做研究、时间充裕、能用机构邮箱 → 值得申请；做快速原型或演示 → 先用 ADAM 等公开数据练手。

6.7 申请失败的常见原因与备选路径

申请制数据集的实际通过率取决于申请材料的规范度。结合描述里的四项要求（姓名/单位/导师/用途）与"机构邮箱"这一硬条件，常见的卡点有：

1. 用了个人邮箱（gmail/qq/163 等）——这是最常被直接忽略的原因，因为描述的措辞是 “Please use the email account of your institution”，等于明确把非机构邮箱排除在外。
2. 用途描述过泛：只写"用于研究"而不说明具体课题（如"颅内动脉瘤分割模型的外部验证"），审核方难以判断是否属非商业学术用途。
3. 缺少导师/负责人信息：描述明确要求 supervisor 字段，独立研究者若无导师，可提供课题组负责人或机构联络人。
4. 隐含商业意图：任何涉及产品化、对外服务或企业内部使用的表述都会触发"non-commercial"排除条款。
5. 语言与机构名称不规范：机构中英文名混写或简写，可能造成核验困难，建议使用机构官方英文全称。

备选路径（按优先级）：

• 先用公开数据搭管线：ADAM（131 例 CTA，Zenodo 公开）可完成从数据加载、训练、评测到指标统计的全流程验证；数据格式同为 CTA，管线可迁移。
• 用库内同域条目补维度：若需要三维血管形态相关资源，可用库内 intra（rid 723）。
• 等待期内做好口径准备：把评估口径（§5.5 自查清单）先定下来，待 LargeIA 到位即可直接跑，缩短"拿到数据到出结果"的周期。
• 始终不要用第三方转载的来源：网络上若出现声称提供 LargeIA 直链的镜像，其许可状态与数据完整性均不可核，使用即违反原始非商业条款的风险自负。

§7 临床实验：人机协同的交叉设计

7.1 为什么值得单列

论文最有分量的部分不是分割指标，而是 §7 这场临床实验（clinical experiment）——它把"AI 有没有用"这个常被指标掩盖的问题，放进了真实医生的读片流程里检验。对任何宣称"AI 辅助诊断"的工作，这都是从"刷榜"走向"有用"的关键一步。

7.2 交叉设计（crossover）

实验设计如下：

• 医生：6 名主治放射科医生 + 6 名住院放射科医生，来自 3 家机构。
• 病例：24 例 CTA，分为 S1、S2 两个批次。
• 分组：医生分为 R1、R2 两组。
• 交叉：R1 组在 S1 上无辅助、在 S2 上有辅助；R2 组相反——同一医生做"有/无辅助"两种条件，消除个体差异。
• 比较：敏感度（Sensitivity）、准确率（Accuracy）、单例读片耗时。

交叉设计的价值在于同一个人既是实验组也是对照组，把"医生的水平差异"这个最大的混杂因素消掉了。这是临床方法学上的亮点，也是很多 AI 论文缺失的严谨性。

7.3 结果（Table 4）

指标	主治医生（无辅助）	主治医生（有辅助）
敏感度 Sensitivity	68.8	88.2
准确率 ACC	80.6	88.7
平均读片时间	132 s	121 s

模型自身处理一例耗时 25.8 s。住院医生的无辅助基线为 162 s、敏感度 66.0（低年资医生读得更慢、更容易漏），有辅助后显著提升。论文结论是 “the clinical experiment verifies our model’s clinical utility”（临床实验验证了模型的临床效用）。

这组数字的三重意义：

1. 敏感度提升最大（+19.4 点）：从 68.8 到 88.2，意味着在 AI 辅助下，主治医生能多检出近五分之一的原本会漏掉的动脉瘤——这是最直接的临床获益，因为漏诊动脉瘤的代价极高。
2. 速度也略快（132s→121s）：AI 辅助没有让医生变慢（很多 AI 工具会因界面切换、假阳干扰而拖慢读片），反而略快，说明假阳量（4.38/例）在医生可接受范围内。
3. 住院医生获益更大：低年资医生基线差（66.0 敏感度），AI 的补偿空间更大——这为"AI 弥合医疗资源不均"提供了实证支持。

7.4 实验的局限

实验的局限也必须如实标注（论文自述 + 客观事实）：

• 规模小：24 例 CTA、12 名医生。受 COVID-19 限制，实验规模被压缩（论文明确提及）。
• 地域单一：医生来自 3 家机构，均在贵州，结论的外推性受限于地域与技术平台。
• 未报告假阳对医生的干扰成本：虽然有辅助下速度略快，但医生为排除 4.38 个/例的假阳所花的认知成本没有被单独量化。
• 金标准依赖同一标注流程：实验的"正确答案"仍来自带噪的 ground truth，无法完全排除系统性偏差。

一句话：这场实验提供了"AI 辅助有益"的正向证据，但样本量与地域限制了结论强度——它是一次有说服力的先行验证，而非决定性的多中心 RCT。

§8 生态与影响

8.1 引用生态

据 Semantic Scholar（抓取时点），论文约有 54 次引用。代表性引用方向包括：

• 破裂风险预测：Frontiers in Neurology 2023 的工作用 CNN + 影像组学，直接以 LIASD 的 1,338 例做外部验证。
• 半监督分割：UJ-CPS（2025）等探索在少标注下分割动脉瘤。
• SAM 医学适配：2024 年前后把通用分割大模型（SAM）适配到动脉瘤分割。
• 检测平衡：deep geometric（2023）等针对检测任务中的正负样本平衡问题。

这些引用共同确认了 LargeIA 的定位：它是脑血管 AI 领域被反复用作基准与外部验证集的大规模资源，尤其在"分割 + 临床元数据"结合的场景下难以被小数据集替代。

8.2 聚合器收录

该 Zenodo 记录被多个科研数据聚合平台收录，包括 NIAID Data Ecosystem、OpenAIRE、OR KG、selectdataset 等。这提升了它在跨库检索中的可见度——即使检索者不知道"LargeIA"这个名字，也可能通过关键词（intracranial aneurysm CTA）在这些平台命中。

8.3 第三方衍生：MRA fork

存在一个第三方衍生仓库 gabrielriqu3ti/GLIA-Net（GitHub，2021-12 有活动），它把 GLIA-Net 适配到 TOF-MRA（时间飞跃法磁共振血管造影），采用迁移学习 + 阈值优化。

这个衍生工作有一个副作用：它可能是"LargeIA 是 MRA 数据集"这一误解的来源之一——因为衍生仓库的名字里带 GLIA-Net、"MRA"字样，检索者若只看仓库名而不追原始论文，容易把原数据集的性质搞错（坑 1）。必须强调：原始 LargeIA 是 CTA 数据集，MRA 是第三方衍生，非官方、非同一数据。

8.4 在动脉瘤数据集景观中的位置

把 LargeIA 放进"颅内动脉瘤公开数据集"的坐标系：

数据集	年份	规模	模态	任务	获取
ADAM	2020	131 例 CTA	CTA	检测+分割（挑战赛）	公开
IntrA	2020	3D 颅内动脉瘤网格	3D 模型	分割重建	公开
LargeIA	2021	1,338 例 CTA	CTA	分割+检测+临床	restricted
各种单中心小集	2021+	数十例	CTA/MRA	分割	各异

LargeIA 的独特位置在于：规模最大 + 带体素级分割 + 带临床实验 + 带真人医生对照。没有第二个动脉瘤数据集同时具备这四点。它的短板则是访问受限与地域集中。

8.5 数据集的可获取性光谱定位与选型映射

把 LargeIA 放进"库内数据集可获取性档位"的坐标系，能更清楚地看到它的"门"属于哪一档，以及用户在什么情况下应该绕过它：

档位	典型特征	库内/同域参照	LargeIA 归属
完全开放直链	无需申请、URL 即下	Zenodo 公开记录、HuggingFace 直链	—
平台托管（半开放）	注册或点击即可、有平台背书	ADAM（Zenodo 公开下载）	—
邮件/表单申请制	需说明用途与身份、人工审批	少量国内数据集	本数据集（restricted + 机构邮箱）
注册墙 + 审批	账号+资质审核	部分竞赛数据	—
未公开 / 仅内部	不提供外部获取	—	—

LargeIA 落在"邮件申请制"这一档：它不是"拿身份证注册就能下"，也不是"彻底不公开"，而是介于两者之间——有明确入口（Zenodo 记录页 + 描述里的申请条件）、有明确门槛（非商业 + 机构邮箱 + 四项信息），但没有承诺响应时限，也没有公开的文件清单。

这一档位的实际含义可从三个角度理解：

1. 对赶工期的团队：申请制意味着不可控的等待。任何以"这周就要开始训练"为前提的项目，都不应把 LargeIA 作为唯一数据源——应在提交申请的同时，先用公开数据（ADAM 131 例 CTA）搭好训练与评测管线，待 LargeIA 到位后替换数据层。这样即使申请延迟，项目也不空转。
2. 对需要"数据分布预先验证"的项目：由于文件列表不公开（API files: []），检索者在下数据前无法确知分发包的体量、病例编号规则、目录结构、是否含阴性标注文件。这对"要预先确认数据能否满足特定实验设计（如按尺寸分层抽样）"的项目是实质约束——只能等申请通过后开包才知道。
3. 对做数据可及性研究的团队：LargeIA 本身是一个活标本——它展示了一个高质量数据集为什么选择 restricted：既想控制用途（非商业）、又想保留对申请者的筛选（机构邮箱），代价是牺牲了一键获取的便利与跨库自动管线的接入。这与 ADAM 的"开放优先"路线形成一组可对照的治理选择。

选型映射可以总结成一句话：要规模、要体素级标注、要临床元数据、且时间允许等待 → 申请 LargeIA；要即时可用、规模可接受小 → 用 ADAM；要的是三维血管形态而非 CT 体数据 → 用库内 intra（rid 723）。 三种需求对应三条不同的入口，不应混淆。

§9 与库内条目的关系

9.1 家族图谱

LargeIA 在千方病案医数集库内属于"脑血管影像 / 颅内动脉瘤 AI-Ready"知识簇：

• intra（rid 723）：IntrA 数据集条目——东京大学 2020 年发布的 3D 颅内动脉瘤网格数据集（CVPR 2020）。与 LargeIA 同属"颅内动脉瘤"主题，但模态不同（IntrA 是 3D 血管网格模型，LargeIA 是 3D CTA 体数据），二者互补构成"动脉瘤影像 AI"的双模态检索面。
• adam-aneurysm：ADAM（MICCAI 2020 动脉瘤 CTA 挑战赛）——该条目目前尚未入库（查重与目录均确认 0 行 / 空目录）。因此本条目不将其作为库内互链目标，仅在 §5/§2.4/§8.4 作为外部跨域数据集引用。若同批生产将其建成，应回补互链。

（本小节是本条目互链责任的声明：与 intra 库内互链；与 ADAM 保持"外部参照"定位，不虚指库内条目。）

9.2 检索路径建议

• 从"颅内动脉瘤分割"切入 → 命中 LargeIA（本条目）+ intra（723）。
• 从"动脉瘤 CTA 公开数据集"切入 → LargeIA（本条目，需申请）+ 外部 ADAM（公开）。
• 从"人机协同临床实验数据集"切入 → LargeIA（本条目，§7 是库内少见的带真人医生对照的条目）。

9.3 与同域数据集的差异化定位

在库内脑血管相关条目中，LargeIA 的差异点：

维度	LargeIA	intra（723）
模态	3D CTA 体数据	3D 血管网格
规模	1,338 例	数百例血管模型
任务	分割+检测+临床	分割/重建
元数据	年龄/性别/破裂	有限
获取	restricted	公开

二者不是竞争，而是"临床 CT 影像"与"三维形态建模"两条互补路径——检索动脉瘤 AI 的研究者可同时使用。

9.4 已知缺口（使用前必读）

• 无标注一致性统计：论文未公开 Kappa/Dice，ground truth 的可用可信度未被量化。
• 地域集中：所有机构（含外部集）均在贵州，不宜作为"跨区域泛化"的唯一证据。
• 单模态：仅 CTA，跨模态（MRA/DSA）迁移需谨慎。
• 训练集全阳性：直接训练会遇到严重类别不平衡，需自备阴性样本。

§10 避坑清单：八个已踩过的坑

坑 1：把 “IA” 读成"大血管闭塞"，把数据集当成 MRA。
“I A” 是 intracranial aneurysm（颅内动脉瘤）的标准缩写，不是 large vessel occlusion（大血管闭塞 LVO）。数据集是 CTA（CT 血管造影），不是 MRA。本条目任务 brief 的原描述（“颅内大血管闭塞/分割 MRA 数据集”）是错的。三条混淆链：① 缩写 IA 与 LVO 易混；② 存在第三方 TOF-MRA 衍生仓库 gabrielriqu3ti/GLIA-Net 制造"MRA"联想；③ 论文未来工作一节恰好提到"若采用 MRA/DSA 等模态可扩大使用范围"。数据集真实存在，仅 brief 描述有误——按实核口径使用。

坑 2：以为"论文开放获取"就等于"数据开放"。
论文是 CC BY-NC-ND 4.0 开放获取，人人可读；但数据集本体是 Zenodo restricted、需机构邮箱邮件申请。能读论文 ≠ 能用数据。 三者许可（数据/代码/论文）互不相同，引用时务必分别标注。

坑 3：相信论文里"设备机型"只有一个数字。
同一篇论文正文说 11 台设备属于 six 种机型，Figure 3 图注却说属于 seven 种机型——论文内部自相矛盾。本条目以正文"六种"为主口径并列出机型清单，把"七"作为存照。任何引用"机型数"的场合都要意识到源头文档没对齐。

坑 4：把 Zenodo 的两个 DOI 当成两个数据集。
10.5281/zenodo.6801398 是版本 DOI（v1，唯一版本），10.5281/zenodo.6801397 是概念 DOI（concept record）。访问 6801397 显示的与 6801398 是同一份内容。引用请用版本 DOI 6801398，不要误以为存在两个不同版本的数据。

坑 5：把 MedLabelMe 当成数据集的标注工具。
数据集本体标注用的是 ITK-SNAP（论文 Methods：“manually segmented … using the open-source annotation software ITK-SNAP”）。MedLabelMe 是论文所述的"临床研究用标注工具"（供医生在人机协同实验中标片），与数据集本体标注无关。二者不可混为一谈。

坑 6：直接拿内部训练集训练，忽略了它"全阳性"。
内部训练集 1,186 例全部为阳性病例（1,363 个 IA），论文自述 “training already suffers from severe data imbalance”。若照搬训练，模型会缺乏阴性样本的判别经验，在真实筛查（有大量无瘤病例）场景下假阳飙升。需自行补充阴性样本或用论文的 patch 采样策略缓解。

坑 7：把 ground truth 当作无噪金标准。
论文明确承认标注存在 “vague boundary” 与 “high inter-observer variability”（边界模糊、高观察者间变异），且未公开一致性系数。因此"模型是否超人类"之类的论断在本数据集上无法严格成立——"人类水平"本身没有被统计地定义。

坑 8：把 Table 3 的 FPs 列误读成"每例假阳数"。
Table 3 表头为 TPs/FNs/FPs/Recall/FPs per case。自洽验证：GLIA-Net 内部 FP 总数 666 ÷ 152 例 = 4.38/例，确认 FPs 列是总数，而 FPs per case 才是每例值。若把 666 当成每例假阳，会得出荒谬结论。

§11 总结

11.1 三句话总结

1. 它是什么：贵州省六院联盟 + 两家外部医院贡献的 1,338 例颅内动脉瘤 CTA 体素级分割数据集（1,489 个 IA、699,266 层、约 174 GB），配 GLIA-Net 方法与一场医师人机协同临床实验，托管于 Zenodo 但限制访问、需邮件申请。
2. 它解决了什么：把"动脉瘤在 CTA 上只占百万分之一体素、越小越难找"这一临床痛点，变成大规模、可量化、带外部验证与真人医生对照的评测资源。
3. 它的分量与短板：规模是同域 ADAM 的 10 倍、带体素级标签与临床实验，是脑血管 AI 的标杆数据集；但访问受限、地域集中（全贵州）、单模态（仅 CTA）、标注一致性未量化。

11.2 适合谁

• 颅内动脉瘤分割/检测研究者：需要大规模体素级标注做训练或外部验证。
• 医学影像小目标分割方法研究者：LargeIA 是"目标占比 <0.001%、通用网络翻车"的典型试验场。
• 人机协同 / 临床 AI 效用研究者：§7 的交叉临床实验是难得的参照设计。
• 医学数据获取方法论研究者：restricted + 机构邮箱申请制是研究"数据可及性"的样本。

11.3 不适合谁

• 需要一键下载、快速原型的团队：申请制有等待，赶 deadline 不现实——先用 ADAM 等公开数据。
• 做多模态（MRA/DSA）研究的团队：本数据集仅 CTA，跨模态需另找数据。
• 需要无噪金标准做"超人类"论断的团队：标注一致性未量化，无法严格支撑此类结论。
• 需要跨区域泛化证据的团队：所有机构均在贵州，地域代表性有限。

11.4 30 秒决策卡

要大规模动脉瘤 CTA 体素级数据 + 能用机构邮箱 + 非商业研究 → 申请 LargeIA。
要快、要公开直链、规模可小 → 用 ADAM（131 例，公开）。
要 3D 血管形态建模 → 用 intra（723）。
务必记住：CTA 不是 MRA，IA 不是 LVO（坑 1）；能读论文不等于能用数据（坑 2）。

FAQ（高频问答 43 问）

A. 基础认知

A1：LargeIA 到底是什么？
一个颅内动脉瘤 CTA 体素级分割数据集，正式名 “Large IA Segmentation dataset”，由贵州省六家医院联盟 + 两家外部医院贡献，配套 GLIA-Net 方法与临床实验，发表于 Patterns（2021）。

A2：为什么叫 “Large”？
修饰数据集规模（1,338 例，约为同期 ADAM 的 10 倍），不是动脉瘤尺寸，更不是"大血管"。

A3：“IA” 是什么缩写？
intracranial aneurysm，颅内动脉瘤。不是 large vessel occlusion（大血管闭塞），也不是 MRA（磁共振血管造影）——后两者是常见混淆（坑 1）。

A4：这个是 MRA 数据集吗？
不是。原始数据集是 CTA（CT 血管造影）。存在第三方把 GLIA-Net 适配到 TOF-MRA 的衍生工作，但那不是本数据集。

A5：数据来自哪个国家/地区？
中国贵州省：内部六家医院联盟（贵州省人民医院、遵义医科大学附属医院、铜仁市人民医院、兴义市人民医院、贵阳市第二人民医院、遵义市第一人民医院），外部两家（安顺市人民医院、织金县人民医院）——全部在贵州。

A6：有没有配套代码？
有。GitHub 上的 GLIA-Net 官方仓库（原 MeteorsHub，现 ZhaojunRapid），含 train/evaluate/inference 全流程脚本与预训练模型。

B. 数据与获取

B1：怎么下载数据？
不能直接下载。Zenodo 记录是 restricted，需按描述要求发邮件申请。

B2：申请要提供什么？
姓名、所属单位、导师（supervisor）、使用目的，并用机构邮箱发送。

B3：能商用吗？
不能。“only available for non-commercial purposes”（仅限非商业用途）。

B4：有没有标准开源许可？
没有。数据集本身挂的是 restricted、无 OSI license；代码是"非商业学术专用"自定义条款；论文才是 CC BY-NC-ND 4.0。三层异构（坑 2）。

B5：两个 Zenodo DOI 有什么区别？
6801398 是版本 DOI（v1），6801397 是概念 DOI。同一份数据，引用用 6801398（坑 4）。

B6：为什么论文里的下载链接打不开？
论文发表时（2021）数据在自建 seafile 服务器上；2022-07-20 才迁移到 Zenodo。旧链接可能失效，应以 Zenodo 为准（§6.4）。

B7：数据格式是什么？
官方代码使用 nii.gz（3D 影像），推理也支持 DICOM 序列。

B8：数据有多大？
内部集约 174 GB、699,266 层切片。（Zenodo 分发包的精确体积因文件列表不公开而未知。）

C. 数据规格

C1：有多少病例、多少动脉瘤？
内部 1,338 例 / 1,489 个 IA；外部 A 71 例 / 50 IA；外部 B 67 例 / 51 IA。

C2：每例多少层？
152–1,310 层不等，内部共 699,266 层，单层 512×512。

C3：怎么划分训练/测试？
内部训练 1,186 例（1,363 IA，全阳性）；内部测试 152 例（126 IA，含 50 阴性）。

C4：训练集有阴性病例吗？
没有。内部训练集全阳性，这是论文承认的严重类别不平衡来源（坑 6）。

C5：用了哪些设备？
内部 11 台设备 / 三厂商（Siemens、Neusoft、GE）；外部 A/B 均为 Philips。机型数在论文正文与图注间有六/七冲突（坑 3）。

C6：层厚是多少？
内部集四种：0.6/0.625/0.75/1.0 mm；外部集均为 0.9 mm。

C7：有临床元数据吗？
有。每例附年龄、性别、是否破裂。

D. 方法与基准

D1：GLIA-Net 是什么？
论文提出的双通路 3D 网络：全局定位网络估计动脉瘤概率分布，局部分割网络做精细体素分割。

D2：为什么叫 GLIA？
Global Localization-based Intracranial Aneurysm Network。

D3：分割精度如何？
体素级 DSC 中位数：内部 57.9、外部 A 76.8、外部 B 57.2（GLIA-Net）；基线 U-Net 内部仅 23.2。

D4：检测能力如何？
内部 recall 82.1（103/126）、4.38 FP/例；外部 A 72.0、外部 B 71.8。

D5：小动脉瘤能检出吗？
<3mm 召回 70.3，3–7mm 82.3，>7mm 90.6——越小越漏。

D6：推理要多久？
内部测试 GLIA-Net 103 s/例（U-Net 92.4 s，HeadXNet 69.2 s）。

D7：训练要什么硬件？
单张 RTX 2080Ti 11GB 即可（batch 1 约 3GB 显存）。

E. 临床实验

E1：临床实验是怎么做的？
交叉设计：6 名主治 + 6 名住院医生，24 例 CTA，同一医生做"有/无辅助"两种条件。

E2：AI 辅助效果如何？
主治医生敏感度 68.8→88.2、准确率 80.6→88.7、读片时间 132s→121s。

E3：住院医生呢？
无辅助基线更差（162s、敏感度 66.0），有辅助后显著提升——AI 对低年资医生补偿更大。

E4：实验有什么局限？
规模小（24 例、12 名医生），受 COVID-19 限制，地域单一（3 家贵州机构）。

F. 复现与工程

F1：数据需要前处理吗？
论文强调无需繁琐前处理（“without any laborious preprocessing”），直接作用于原始 CTA。

F2：用什么标注的？
数据集本体用 ITK-SNAP 手工分割；MedLabelMe 是临床实验用工具（坑 5）。

F3：谁标注的？
五名临床医生标注 + 两名资深 CTA 诊断放射科医生复核。

F4：ground truth 可靠吗？
论文承认存在边界模糊与观察者间变异，但未公开一致性系数——是中上可靠，非无噪金标准（坑 7）。

F5：我能在 LargeIA 上做半监督/迁移学习吗？
可以，已有工作这么做（UJ-CPS 半监督、TA-SAM 适配等）。但注意训练集全阳性与域偏移问题。

F6：怎么引用？
用论文（Bo et al., Patterns 2021, DOI 10.1016/j.patter.2020.100197）+ 数据（Zenodo DOI 10.5281/zenodo.6801398）双引用，见附录 W。

F7：库内哪个条目和它最相关？
intra（rid 723，颅内动脉瘤但模态不同）。ADAM 尚未入库，仅作外部参照。

F8：一句话决策？
能用机构邮箱 + 非商业研究 + 要大规模动脉瘤 CTA 体素级数据 → 申请；否则先用公开的 ADAM 练手。

F9：Zenodo 上的下载量是多少？
存在两个口径（附录 S 存照）：记录页快照显示 Total downloads 约 7,288、views 约 5,240；API stats 显示 downloads 43,971、unique_downloads 7,774。本条目采用保守表述"独立下载逾 7,700 次"，两口径并列存照，不做单一化断言。

F10：它和库内 intra（rid 723）会打架吗？
不会，是互补。intra 是 3D 血管网格模型（形态/重建），LargeIA 是 3D CTA 体数据（分割/检测/临床）；同属"颅内动脉瘤"主题但模态与服务场景不同，检索脑血管 AI 的研究者可同时使用（§9）。

F11：论文里说的"human intervention-free"是什么意思？
论文标题强调"无人工干预的临床诊断"，指向的是方法目标——让模型在无需医生逐层干预的前提下完成定位与分割；但论文同时也做了人机协同实验（§7），二者不矛盾：前者是算法能力的主张，后者是把该能力放进真实读片流程检验其临床效用。

事实清单（硬事实 42 条）

1. 数据集正式名（Zenodo）：Large IA Segmentation dataset。
2. 第三方文献缩写：LIASD。
3. IA = intracranial aneurysm（颅内动脉瘤），非大血管闭塞。
4. “Large” 修饰数据集规模，非动脉瘤尺寸。
5. 配套模型：GLIA-Net（Global Localization-based Intracranial Aneurysm Network）。
6. 论文：Bo Z-H et al., Patterns 2(2):100197, 2021-02-12。
7. 论文 DOI：10.1016/j.patter.2020.100197。
8. 论文开放获取，许可 CC BY-NC-ND 4.0。
9. PMC 编号：PMC7892358。
10. Lead contact：Feng Xu（feng-xu@tsinghua.edu.cn）。
11. 论文作者数：21。
12. 内部机构：贵州省六家医院（全在贵州）。
13. 外部验证机构：安顺市人民医院、织金县人民医院。
14. 算法方：清华大学（BNRist/软件学院/自动化系）。
15. 内部数据：1,338 例 3D CTA。
16. 内部动脉瘤数：1,489 个。
17. 内部切片总数：699,266 层。
18. 切片分辨率：512×512。
19. 内部数据磁盘体积：约 174 GB。
20. 每例层数范围：152–1,310 层。
21. 内部训练集：1,186 例（1,363 IA，全阳性）。
22. 内部测试集：152 例（126 IA，含 50 阴性）。
23. 外部 A：71 例（50 IA，含 24 阴性）。
24. 外部 B：67 例（51 IA，含 22 阴性）。
25. 内部设备：11 台 / 三厂商（Siemens、Neusoft、GE）。
26. 内部层厚：0.6/0.625/0.75/1.0 mm。
27. 外部 A 设备：Philips Ingenuity CT；外部 B：Philips Brilliance 64。
28. 外部集层厚：均为 0.9 mm。
29. 标注工具（数据集本体）：ITK-SNAP。
30. 标注者：五名临床医生 + 两名资深放射科医生复核。
31. 训练硬件：RTX 2080Ti 11GB；约 200k 步；Adam lr 0.0002。
32. 体素级 DSC 中位数：内部 GLIA-Net 57.9（U-Net 23.2）。
33. 外部 DSC：A 76.8、B 57.2。
34. 目标级：内部 recall 82.1、4.38 FP/例。
35. 尺寸分层召回：<3mm 70.3、3–7mm 82.3、>7mm 90.6。
36. 临床实验：敏感度 68.8→88.2、ACC 80.6→88.7、时间 132s→121s。
37. 临床实验设计：交叉（crossover），24 例 CTA 分 S1/S2，12 名放射科医生分 R1/R2。
38. 模型自身处理一例耗时 25.8 s。
39. DSML 等级：Cell 标注为 DSML 3（Development/Pre-production）。
40. 伦理：各机构伦理委员会批准 + 各机构参与者知情同意。
41. 通信作者：Feng Xu（lead）、张体江、王荣品、戴琼海（共四位）。
42. Zenodo 创建日 2022-07-20；publication_date 保留 2021-02-12。

术语表（30 条）

1. LargeIA：本条目数据集，Large IA Segmentation dataset 的简称。
2. LIASD：Large IA Segmentation Dataset，第三方文献使用的缩写。
3. IA：intracranial aneurysm，颅内动脉瘤。
4. CTA：CT angiography，CT 血管造影（本数据集模态）。
5. MRA：magnetic resonance angiography，磁共振血管造影（非本数据集模态）。
6. DSA：digital subtraction angiography，数字减影血管造影（有创金标准）。
7. SAH：subarachnoid hemorrhage，蛛网膜下腔出血（动脉瘤破裂后果）。
8. GLIA-Net：论文提出的双通路 3D 动脉瘤分割网络。
9. 全局定位网络：GLIA-Net 的全局通路，估计动脉瘤概率分布。
10. 局部分割网络：GLIA-Net 的局部通路，做精细体素分割。
11. voxel-wise：体素级，逐个体素判断是否属于目标。
12. DSC：Dice similarity coefficient，分割相似度指标。
13. 95% HD：95% Hausdorff distance，边界误差指标。
14. AUC：ROC 曲线下面积。
15. AP：average precision，平均精度。
16. Recall：召回率，检出的真阳占全部真阳比例。
17. FP per case：每例假阳数，误报量度。
18. pyramid-weighted loss：论文针对标注变异设计的分层加权损失。
19. exponential logarithmic loss：论文使用的指数对数损失。
20. patch tiling：把整幅 3D 图切成带重叠子块处理的策略。
21. ITK-SNAP：开源医学影像标注软件，数据集本体的标注工具。
22. MedLabelMe：论文所述的临床实验用标注工具（非数据集本体标注工具）。
23. head-first-supine (HFS)：头先进仰卧位，扫描体位。
24. inter-observer variability：观察者间变异，标注一致性问题。
25. domain shift：域偏移，跨机构/设备后性能下降的现象。
26. crossover：交叉设计，同一受试者做两种条件的实验设计。
27. DSML 3：Data Science Maturity Level 3（Development/Pre-production）。
28. restricted access：限制访问，Zenodo 的访问级别。
29. AI-Ready：可直接用于 AI 训练/评测的数据集就绪度。
30. DAIMS：数据可及性与互操作性评估框架（见附录 B）。

附录

附录 A：条目信息速查卡

项目	内容
条目 slug	largeia
数据集正式名	Large IA Segmentation dataset
第三方缩写	LIASD
生产代理	agent-b-largeia
生产日期	2026-09-30
事实来源	论文全文 PDF + PMC7892358 + Zenodo API JSON + GitHub README（三源核验）
论文	Patterns 2(2):100197, 2021-02-12
数据托管	Zenodo record 6801398（restricted）
库内互链	intra（rid 723）
外部参照	ADAM（MICCAI 2020，未入库）
URL 占位	https://www.qianfanghub.com/ai-ready-dataset/largeia/733

附录 A.5：术语与命名速查（含易混对照）

名称	全称/含义	是否指本数据集
LargeIA	Large IA Segmentation dataset 的简称	✅ 本条目
LIASD	Large IA Segmentation Dataset（第三方文献缩写）	✅ 本条目
GLIA-Net	Global Localization-based Intracranial Aneurysm Network	⚠ 配套模型，非数据集
IA	intracranial aneurysm（颅内动脉瘤）	⚠ 疾病名
LVO	large vessel occlusion（大血管闭塞）	❌ 常见误读（坑 1）
MRA	magnetic resonance angiography（磁共振血管造影）	❌ 非本模态（坑 1）
ADAM	MICCAI 2020 颅内动脉瘤 CTA 挑战赛数据集	❌ 同域外部数据集
IntrA	东京大学 3D 颅内动脉瘤网格数据集	❌ 库内 intra（rid 723）

附录 B：DAIMS 评估全表

DAIMS 框架从五维评估数据集的可及性。每维 5 项，共 25 项，逐项给出状态与依据。

D — Discoverability（可发现性）

项	状态	说明
D1 有稳定标识符	✅	Zenodo 版本 DOI 10.5281/zenodo.6801398 + 概念 DOI
D2 有独立落地页	✅	Zenodo 记录页 + 论文页 + GitHub
D3 可被搜索引擎索引	✅	NIAID Data Ecosystem、OpenAIRE、OR KG 收录
D4 有机读元数据	✅	Zenodo API 提供 JSON 元数据
D5 有明确名称与描述	✅	“Large IA Segmentation dataset” + 描述完整

A — Accessibility（可访问性）

项	状态	说明
A1 数据可获取	⚠	restricted，需邮件申请，非即时
A2 有明确获取协议	✅	描述写明申请材料与机构邮箱要求
A3 有公开许可声明	⚠	非商业用途，但无 OSI 标准许可
A4 文件清单可见	❌	API files: []，文件列表不公开
A5 有文档/说明	✅	GitHub README + 论文 Methods 较完整

I — Interoperability（互操作性）

项	状态	说明
I1 开放格式	✅	nii.gz（NIfTI），医学影像通用格式
I2 与工具链兼容	✅	代码用 PyTorch + SimpleITK，生态成熟
I3 标注格式规范	✅	体素级掩码 + 结构化字段
I4 无专有依赖	✅	DICOM/nii.gz 均可读
I5 可与其他数据集对齐	⚠	与 ADAM 同为 CTA，但坐标/协议未标准化

M — Metadata（元数据）

项	状态	说明
M1 有病例级元数据	✅	年龄/性别/是否破裂
M2 有采集参数	✅	设备、层厚、kV、mA 均有披露
M3 有标注流程说明	✅	Methods 说明 ITK-SNAP + 五标注两复核
M4 有一致性统计	❌	未公开 Kappa/Dice
M5 有版本信息	✅	Zenodo 版本 DOI + is_last: true

S — Sustainability（可持续性）

项	状态	说明
S1 有长期托管机构	✅	Zenodo（CERN 支持）
S2 有 DOI 持久化	✅	DOI 不受 URL 变动影响
S3 有机构背书	✅	贵州省人民医院 + 清华大学
S4 有维护更新	⚠	迁移后无版本更新（仅 v1）
S5 有备份/镜像	⚠	依赖 Zenodo 单点托管

DAIMS 总评：可发现性、互操作性、元数据基础扎实；可访问性是主要短板（restricted + 无标准许可 + 文件不公开），元数据的标注一致性缺口也拉低评分。综合定位：高质量但高门槛。

附录 B.5：DAIMS 逐项得分汇总与短板排序

把附录 B 的 25 项按状态量化（✅=1，⚠=0.5，❌=0），便于横向比较与后续维护：

维度	✅	⚠	❌	得分（满分 5）	短板
D 可发现性	5	0	0	5.0	无
A 可访问性	2	2	1	2.5	A4 文件清单不可见、A1 需申请
I 互操作性	4	1	0	4.5	I5 跨库坐标未标准化
M 元数据	4	0	1	4.0	M4 无一致性统计
S 可持续性	3	2	0	4.0	S4 无版本更新、S5 单点托管
合计（/25）	18	5	2	20.0	—

短板排序（对使用者的影响从大到小）：

1. A4 文件清单不可见（❌，最硬伤）：files: [] 意味着无法在下数据前评估体量与结构，也无法接入自动化数据管线做"存在性检查"。这是 AI-Ready 意义上最实质的缺失——它把"数据可用性"彻底推到人工审批之后。
2. A1 需邮件申请（⚠）：引入不可控的等待周期，破坏"开箱即用"的复现假设。对赶试验与竞赛 deadline 的项目是硬约束。
3. M4 无一致性统计（❌）：标注者间变异被论文承认却未量化，使 ground truth 的可信度不可度量，"模型是否超人类"的论断无法严格成立（坑 7）。
4. A3 无标准许可（⚠）：restricted 记录未挂 OSI 许可，使用者无法用"许可标识符"做自动合规检查，须逐案读懂描述文本。
5. S4/S5 可持续性余量（⚠）：数据集仅有 v1 版本、无后续更新，且依赖 Zenodo 单点托管——长期看需关注镜像与迁移风险。

这份排序也是本条目"使用前必读"（§9.4、附录 T）的依据：五个短板里三个集中在"可访问性"与"许可明确性"，共同指向同一句结论——LargeIA 的数据质量高，但获取与合规的成本高。

附录 C：逐项证据链自证

事实	证据源
1,338 例 / 1,489 IA	论文正文 + Figure 3 图注
699,266 层	论文 Figure 3 图注（B）
1,186 / 152 划分	论文 Table 1
外部 A 71 / 外部 B 67	论文 Table 1 + Figure 3
DSC 57.9 / 76.8 / 57.2	论文 Table 2
recall 82.1 / 4.38 FP	论文 Table 3（数字自洽验证）
尺寸分层 70.3/82.3/90.6	论文 Table 5
临床 68.8→88.2、80.6→88.7	论文 Table 4
restricted 访问	Zenodo API access_right
机构邮箱申请	Zenodo 记录描述原文
ITK-SNAP 标注	论文 Methods 原文
五标注两复核	论文 Figure 3 图注（C）
六/七机型冲突	论文正文 vs Figure 3 图注
CC BY-NC-ND 4.0	论文版权声明

附录 D：数据获取决策树

需要颅内动脉瘤影像数据？
├─ 预算/时间紧、要公开直链
│   └─ 用 ADAM（131 例 CTA，Zenodo 公开）
├─ 要大规模体素级标注 + 时间充裕
│   ├─ 有机构邮箱 + 非商业用途？
│   │   ├─ 是 → 申请 LargeIA（6801398）
│   │   └─ 否 → 无法获取，改用公开数据
│   └─ 需要多模态（MRA/DSA）？
│       └─ LargeIA 仅 CTA，需另找数据
└─ 要 3D 血管形态建模
    └─ 用 intra（rid 723）

附录 E：GLIA-Net 双通路数据流

输入：整幅 3D CTA（层数可变）
   │
   ├─→ [全局定位网络]
   │     3D 卷积 → 全局特征图 → ROI pooling → 自适应池化 → 3D 卷积
   │     → 全局定位特征 + 全局二分类交叉熵损失
   │
   └─→ [3D tiling 切 patch（带重叠）]
         │
         ├─ 全局定位特征（逐元素相乘融合）
         │
         └─→ [局部分割网络：3D U-Net18]
               残差块编码 → 转置卷积解码 + skip connection
               → 体素级分割掩码

附录 F：损失函数配置表

损失	配置
局部损失	exponential logarithmic loss：Dice 0.8 / CE 0.2，γ 均 0.3
全局损失	二分类交叉熵
局部/全局配比	0.1 / 1.0
pyramid weight（>400 体素）	3.0 ~ 20.0
pyramid weight（小目标）	固定 11.5
patch 中心距（训练）	距动脉瘤中心 ≤38 像素
阴性 patch 中心	随机取

附录 G：训练超参数表

参数	值
框架	PyTorch（torch>=1.4）
硬件	RTX 2080Ti 11GB
优化器	Adam
学习率	0.0002
学习率衰减	每 10,000 步 ×0.95
batch size	3
训练步数	约 200,000
显存（batch 1）	约 3 GB
数据增强	随机翻转 + 随机旋转
概率阈值	0.5
独立运行次数	5（取 95% CI）

附录 H：评估指标计算公式

指标	公式/定义
DSC	2·\
Precision	TP / (TP+FP)
Recall	TP / (TP+FN)
95% HD	双向表面距离的 95 百分位
AUC	ROC 曲线下面积
AP	精确率-召回率曲线下面积
FP per case	总 FP 数 / 病例数

附录 I：论文 Tables 2/3/5 数据总表

Table 2（体素级，DSC 中位数）

数据集	U-Net	HeadXNet	GLIA-Net
内部	23.2	23.2	57.9
外部 A	35.3	32.4	76.8
外部 B	11.3	18.1	57.2

Table 3（目标级）

数据集	模型	Recall	FP/例
内部	GLIA-Net	82.1	4.38
内部	U-Net	73.3	30.8
内部	HeadXNet	54.9	15.9
外部 A	GLIA-Net	72.0	2.72
外部 B	GLIA-Net	71.8	4.42

Table 5（尺寸分层）

尺寸	Recall	FP/例
<3 mm	70.3	5.22
3–7 mm	82.3	5.05
>7 mm	90.6	3.52

附录 J：临床实验（Table 4）数据表

指标	主治（无辅助）	主治（有辅助）	住院（无辅助）
敏感度	68.8	88.2	66.0
准确率	80.6	88.7	—
时间（s）	132	121	162
模型单例耗时	—	25.8	—

附录 K：内部采集设备清单

#	厂商	机型
1	Siemens	SOMATOM Definition AS+
2	Siemens	SOMATOM Definition Flash
3	Siemens	SOMATOM Force
4	Siemens	Sensation 64
5	Neusoft	NeuViz 128
6	GE Healthcare	Discovery CT

（论文正文口径为"六种机型"；Figure 3 图注作"七种"，存照见坑 3。）

附录 L：机构清单与角色

机构	角色
贵州省人民医院	内部采集 + 临床实验（含智能医学影像重点实验室）
遵义医科大学附属医院	内部采集
铜仁市人民医院	内部采集
兴义市人民医院	内部采集
贵阳市第二人民医院	内部采集
遵义市第一人民医院	内部采集
安顺市人民医院	外部验证 A
织金县人民医院	外部验证 B
贵州中医药大学第一附属医院	临床实验
仁怀市人民医院	临床实验
清华大学	算法方

附录 M：与库内 intra 条目的关系声明

• intra（rid 723）是东京大学 2020 年发布的 3D 颅内动脉瘤网格数据集（CVPR 2020）。
• 与 LargeIA 同属"颅内动脉瘤"主题，模态互补：intra 是 3D 血管网格（形态/重建），LargeIA 是 3D CTA 体数据（分割/检测）。
• 互链定位：本条目在 §9.1/§9.3 与 intra 建立库内双向互链（脑血管影像同簇）。
• 不构成竞争：两条路径服务不同研究场景。

附录 N：与 ADAM 的外部参照声明

• ADAM（MICCAI 2020 颅内动脉瘤 CTA 检测挑战赛，131 例）是 LargeIA 最常被比较的同域数据集。
• 该数据集目前在千方病案医数集库内无对应条目（查重与目录均确认为空）。
• 因此本条目不将 ADAM 作为库内互链目标，仅在正文作为外部跨域参照引用（§2.4、§5、§8.4）。
• 若同批生产建成 adam-aneurysm 条目，应回补互链并更新本声明。

附录 O：许可条款细读

资产	条款原文/要点	可否商用
数据集	“only available for non-commercial purposes”	❌
数据集申请	需姓名/单位/导师/用途 + 机构邮箱	—
代码	“licensed for non-commerical academic research purpose only”	❌
论文	CC BY-NC-ND 4.0	❌（ND 且 NC）

注意论文原文的 “non-commerical” 是作者的拼写（应为 non-commercial），引用时可注明。

附录 P：数据申请邮件模板（供参考）

Subject: Request for Large IA Segmentation Dataset (Zenodo 6801398)

Dear Prof. Xu,

I am [姓名], a [职位/年级] at [机构全称].
My supervisor is [导师姓名].
We would like to request access to the Large IA Segmentation dataset
for non-commercial academic research. Our intended use is [用途描述],
specifically [研究目标].

Please let us know if any additional information is required.

Best regards,
[姓名]
[机构邮箱——务必使用机构邮箱]

附录 Q：坑点档案（与 §10 对照）

坑	一句话	后果
坑 1	IA ≠ 大血管闭塞；CTA ≠ MRA	检索方向全错
坑 2	论文开放 ≠ 数据开放	误以为可直接下载
坑 3	机型数六/七冲突	引用数字出错
坑 4	两个 DOI 同一数据	误以为两版本
坑 5	MedLabelMe ≠ 数据集标注工具	标注描述错误
坑 6	训练集全阳性	模型假阳飙升
坑 7	ground truth 有噪	"超人类"论断不成立
坑 8	Table 3 的 FPs 是总数	得出荒谬结论

附录 R：检索决策树

想找 LargeIA？
├─ 搜 "Large IA Segmentation dataset" → Zenodo 命中
├─ 搜 "LIASD" → 文献命中
├─ 搜 "颅内动脉瘤 CTA 分割数据集" → 本条目
├─ 搜 "MRA 动脉瘤数据集" → ✗ 方向错（坑 1）
├─ 搜 "large vessel occlusion dataset" → ✗ 方向错（坑 1）
└─ 搜 "GLIA-Net" → GitHub 代码 + 本数据集

附录 S：双口径登记表

指标	口径 1	口径 2	本条目采用
Zenodo 下载量	记录页 7,288	API stats 43,971	保守表述"逾 7,700"（取 API unique_downloads 7,774）
Zenodo 浏览	记录页 5,240	API 7,207	并列存照
设备机型数	正文 six	图注 seven	正文"六种"
引用数	Semantic Scholar 54	—	54（抓取时点）

附录 T：维护计划与触发点

触发点	动作
数据集新增版本（>v1）	更新 §6.2 与附录 S
官方代码仓库再次迁移	更新 §6.5
论文引用数显著增长	更新 §8.1
ADAM 条目入库	回补互链（附录 N）
标注一致性被公开	更新 §3.1/§9.4 与坑 7
Zenodo 许可变更	更新 §6/附录 O

附录 U：三层许可速查

你想做什么	数据集	代码	论文
阅读	N/A	可	可
学术非商业研究	申请后可用	可用	可引用
商用	❌	❌	❌
再分发	❌（须遵守原始条款）	❌	ND 限制

附录 V：GLIA-Net 与基线对照表

模型	内部 DSC	内部 Recall	内部 FP/例	定位
U-Net	23.2	73.3	30.8	通用分割基线
HeadXNet	23.2	54.9	15.9	任务相近基线
GLIA-Net	57.9	82.1	4.38	论文专用架构

附录 W：引文规范

@article{bo2021largeia,
  title   = {Toward human intervention-free clinical diagnosis of
             intracranial aneurysm via deep neural network},
  author  = {Bo, Zhi-Hao and Qiao, Hui and Tian, Cheng and others and
             Yong, Jun-Hai and Xu, Feng and Zhang, Tijiang and
             Wang, Rongpin and Dai, Qionghai},
  journal = {Patterns},
  volume  = {2},
  number  = {2},
  pages   = {100197},
  year    = {2021},
  doi     = {10.1016/j.patter.2020.100197}
}

@misc{largeia2022zenodo,
  title        = {Large IA Segmentation dataset},
  howpublished = {Zenodo},
  year         = {2022},
  doi          = {10.5281/zenodo.6801398},
  note         = {Accessed: 2026-09-30}
}

附录 X：本条目生产档案

• 生产通道：写手代理 agent-b-largeia（并行生产槽）
• 存在性核验：三源互证（论文 PDF / PMC7892358 / Zenodo API JSON / GitHub）
• 事实研究：论文全文 PDF 提取 + Zenodo API + 关键数字抽查复核
• FACTS.md：writing/largeia/FACTS.md 九节
• 成稿方式：五 part 直写拼接（part1-5）
• 坑点：§10 八则（坑 1-8"坑 N："编号制）
• description：成稿时即 ≤170 字符
• URL 占位：https://www.qianfanghub.com/ai-ready-dataset/largeia/733

附录 Y：FAIR/AI-Ready 检查单

检查项	状态	说明
Findable（可发现）	✅	DOI + 多聚合器收录
Accessible（可访问）	⚠	restricted，需申请
Interoperable（可互操作）	✅	nii.gz + 标准工具链
Reusable（可复用）	⚠	无标准许可，复用受限
AI-Ready 就绪度	⚠	高质量但有门槛

附录 Y.5：数据处理与预处理建议

论文强调 GLIA-Net “无需繁琐前处理”，但那是指方法本身不做骨去除；对使用者而言，工程侧仍有若干值得注意的处理要点：

环节	建议	理由
格式	统一转 nii.gz（或保留原始 DICOM 序列）	官方代码基于 SimpleITK 读 nii.gz
方向/朝向	统一到一致的体素轴向	多机构设备不同，轴向约定可能不一致
层厚差异	记录并在跨集实验时对齐（内部 0.6–1.0mm vs 外部 0.9mm）	层厚直接影响三维体素几何与 DSC
强度归一化	对 CTA 做 HU 窗宽窗位或百分位裁剪	原始管电压 70–140 kV 跨度大，灰度分布差异明显
无关解剖	保留（勿盲目裁剪）	数据取自真实临床，含颈部/心脏；裁剪会改变任务难度
阴性病例	内部测试/外部集含阴性，训练时应显式纳入	内部训练集全阳性，直接训练缺负样本（坑 6）

一张必须提醒的边界：不要把"论文说无需前处理"理解为"数据可以直接投喂任意模型而不做任何清洗"。论文语境是"GLIA-Net 不依赖骨去除等步骤即可工作"，而非"数据无需任何工程处理"。复现者仍应完成格式统一、轴向一致、强度归一化等基础工程。

附录 Z：缩写速查

缩写	全称
IA	intracranial aneurysm
CTA	CT angiography
MRA	magnetic resonance angiography
DSA	digital subtraction angiography
SAH	subarachnoid hemorrhage
HFS	head-first-supine
DSC	Dice similarity coefficient
HD	Hausdorff distance
AUC	area under ROC curve
AP	average precision
FP	false positive
TP	true positive
FN	false negative
DSML	Data Science Maturity Level
LIASD	Large IA Segmentation Dataset

附录 AA：基于本数据集的研究检查清单（12 项）

1. 确认用途为非商业研究。
2. 用机构邮箱申请，注明姓名/单位/导师/用途。
3. 获取后核对数据规模（1,338 例 / 1,489 IA）。
4. 注意训练集全阳性，补充阴性样本或调整采样。
5. 注意内部/外部集层厚与厂商差异，评估域偏移。
6. 体素级评测用 DSC + 95% HD，勿只看 AUC。
7. 目标级评测用 recall + FP/例，报告假阳量级。
8. 按尺寸分层报告召回（<3/3–7/>7mm）。
9. 报告多次运行的置信区间，勿报单次最优。
10. 引用时用论文 + 数据双 DOI。
11. 承认 ground truth 有噪，避免"超人类"论断。
12. 在贵州地域样本上谨慎外推结论。

附录 AB：数据集结构示意

LargeIA/
├─ internal/            # 内部数据集 1,338 例
│   ├─ train/           # 1,186 例（1,363 IA，全阳性）
│   └─ test/            # 152 例（126 IA，含 50 阴性）
├─ external_A/          # 71 例（50 IA，含 24 阴性）Philips Ingenuity CT
├─ external_B/          # 67 例（51 IA，含 22 阴性）Philips Brilliance 64
└─ meta/                # 年龄 / 性别 / 是否破裂
（每个病例：nii.gz 影像 + 体素级分割掩码）

附录 AC：检索路径示范

目标	关键词组合	预期命中
找本数据集	“Large IA Segmentation dataset”	Zenodo 6801398
找文献	“GLIA-Net intracranial aneurysm Patterns”	论文
找代码	“GLIA-Net github”	官方仓库
找同类数据	“intracranial aneurysm CTA segmentation dataset”	LargeIA + ADAM
找临床 AI 效用	“aneurysm detection clinical experiment radiologist AI”	论文 §7

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-09-30，抓取与核验时点见附录 A。事实陈述以论文（Patterns 2021;2(2):100197）全文、PMC7892358、Zenodo API JSON 与 GitHub README 为源；任务 brief 与实核的口径冲突（MRA/大血管闭塞 vs CTA/颅内动脉瘤）、论文正文与图注的设备机型数冲突（六/七）、Table 3 列语义歧义、Zenodo 下载量双口径、两个 DOI 的辨析、标注工具 ITK-SNAP 与 MedLabelMe 的区分等原始文档缺陷均已在坑点（§10）与附录 S/Q 存照。条目与库内 intra（rid 723）互链，构成脑血管影像 AI 知识簇；ADAM 因尚未入库仅作外部参照（附录 N）。后续维护触发点见附录 T。

---

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：

• imagecas — 共享标签：医学影像 / CT / 医学图像分割 / 心血管疾病
• lidc-idri — 共享标签：医学影像 / CT / 医学图像分割 / 目标检测
• deeplesion — 共享标签：医学影像 / CT / 目标检测
• nih-pancreas-ct — 共享标签：医学影像 / CT / 医学图像分割
• abdomenct-1k — 共享标签：医学影像 / CT / 医学图像分割
• word — 共享标签：医学影像 / CT / 医学图像分割
• totalsegmentator — 共享标签：医学影像 / CT / 医学图像分割
• han-seg — 共享标签：医学影像 / CT / 医学图像分割
• atlas-v2 — 共享标签：医学影像 / 医学图像分割 / 神经科学 / 心血管疾病
• fdtooth — 共享标签：医学影像 / CT / 目标检测

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。