在不进行手动标注的情况下，利用扩散模型改进三维飞行时间磁共振血管成像中的颅内血管分割技术

《Computerized Medical Imaging and Graphics》：Enhancing intracranial vessel segmentation using diffusion models without manual annotation for 3D Time-of-Flight Magnetic Resonance Angiography

提出结合规则基础模型和扩散模型的三维颅内血管分割新方法，利用Frangi滤波增强血管检测，去除注意力模块优化计算效率，通过条件网络融合原图与滤波图特征实现无标注分割，并在两个数据集上验证了有效性。

　　在医学影像领域，尤其是脑血管分割方面，准确识别和分割颅内血管对于疾病的早期发现、精准干预以及治疗规划具有重要意义。脑血管疾病如脑卒中和动脉夹层等，常常会导致严重的健康后果，因此，建立可靠的血管分割方法对于临床决策和患者治疗具有关键作用。近年来，随着医学影像技术的进步，时间飞行磁共振血管造影（TOF-MRA）作为一种非侵入性的成像方式，已被广泛应用于颅内血管的可视化。TOF-MRA利用血液流动的增强效应，在不使用造影剂的情况下，能够提供高分辨率的血管图像。然而，传统的血管分割方法，如基于规则的算法，虽然在某些情况下表现良好，但存在稳定性差、分割效果不佳等问题，特别是在面对高分辨率数据时，难以满足临床需求。

随着深度学习技术的发展，其在医学影像分割中的应用逐渐增多。深度学习模型，特别是扩散模型，因其强大的生成能力和在图像修复、去噪等任务中的出色表现，引起了广泛关注。然而，这些模型通常需要大量的标注数据进行训练，而标注高分辨率TOF-MRA图像是一项耗时且劳动密集的工作。此外，深度学习模型在处理3D医学影像时，面临着计算资源和存储空间的限制，尤其是在使用注意力机制的模型中，其计算复杂度随着数据维度的增加而迅速上升，导致模型难以高效运行。

为了解决上述问题，本文提出了一种结合传统规则方法与深度学习模型的新型血管分割方法。该方法通过引入Frangi滤波器，增强了血管检测的准确性，同时对扩散模型进行了优化，去除了内存消耗较大的注意力模块，从而提高了模型的计算效率。此外，通过设计一种条件网络，将TOF-MRA图像和Frangi滤波后的图像特征图进行拼接，进一步提升了模型在3D分割任务中的表现。这种方法不仅减少了对显式标签的依赖，还能够在不使用人工标注的情况下，实现对颅内血管的高效、精准分割。

在方法设计上，本文首先介绍了基于规则的分割方法，该方法通过调整阈值，生成伪标签以辅助深度学习模型的训练。这一阶段利用了基础的图像处理技术，识别出可能的血管结构，并将其作为后续深度学习模型的输入。随后，通过扩散模型对这些伪标签进行优化，从而得到更精确的血管分割结果。为了提高模型在3D环境下的运行效率，本文对扩散模型进行了优化，去除了注意力模块，同时引入了新的条件网络，以增强模型的分割能力。

实验部分显示，该方法在两个数据集上的表现显著优于传统方法和现有的深度学习模型。通过定量和定性评估，验证了模型在保持血管区域完整性的同时，能够有效减少噪声，提高分割的准确性。此外，实验还分析了不同参数对分割结果的影响，为后续模型优化提供了有价值的参考。本文所提出的方法在处理高分辨率TOF-MRA图像时，能够在不使用人工标注的情况下，实现高效、稳定的血管分割，从而为临床应用提供了新的解决方案。

在数据集方面，本文使用了来自韩国三星医疗中心（SMC）的TOF-MRA图像，每张图像的矩阵大小为880 × 880 × 380，具有各向同性的体素分辨率。图像采集使用的是Philips扫描仪，采用T1序列，磁场强度为3T。数据集包括50名受试者，其中40名用于训练，10名用于测试。此外，为了进一步验证模型的泛化能力，本文还使用了来自韩国庆北大学附属儿童医院（KNUCH）的数据集进行外部验证。这些数据集的多样性确保了模型在不同临床环境下的适用性。

在方法的实际应用中，基于规则的分割方法虽然在处理不同分辨率和图像质量时可能会出现一定的误差，但其在生成伪标签方面的表现仍然具有一定的优势。通过调整阈值，可以有效地识别血管区域，从而为后续深度学习模型提供可靠的输入。实验结果显示，即使在图像分辨率降低至原分辨率的四分之一时，基于规则的分割方法仍然能够保持较高的分割精度。然而，当图像分辨率进一步降低时，分割误差可能会增加，因此需要在实际应用中对阈值进行优化，以确保分割结果的准确性。

本文提出的条件网络在提升分割效果方面起到了关键作用。通过将TOF-MRA图像和Frangi滤波后的图像特征图进行拼接，模型能够更好地理解血管的结构特征，从而提高分割的精度。此外，该网络还能够有效地捕捉不同图像之间的关系，使模型在处理3D数据时更具鲁棒性。实验结果显示，这种条件网络在提升分割效果方面表现优异，能够显著减少分割误差，提高模型在复杂场景下的表现。

在结论部分，本文强调了该方法在医学影像分割中的应用价值。通过结合传统规则方法和深度学习模型，本文提出了一种无需依赖显式标签的新型血管分割方法。该方法在处理高分辨率TOF-MRA图像时，能够有效减少计算资源的消耗，提高分割效率。同时，该方法在保持血管区域完整性方面表现良好，能够显著减少噪声，提高分割的准确性。实验结果表明，该方法在多个数据集上的表现均优于现有方法，为临床应用提供了可靠的技术支持。

此外，本文的研究成果为未来医学影像分割技术的发展提供了新的思路。通过将传统方法与深度学习模型相结合，不仅能够提升分割效果，还能降低对人工标注的依赖，提高模型的实用性。这种方法在处理不同分辨率和图像质量时具有一定的灵活性，能够适应不同的临床需求。同时，该方法在处理3D医学影像时表现出良好的性能，为未来的医学影像分析提供了新的可能性。

在研究过程中，本文的研究团队在多个方面做出了贡献。首先，Jonghun Kim在方法设计和实验分析方面发挥了重要作用，同时参与了论文的撰写和编辑工作。Inye Na和Jiwon Chung负责实验数据的收集和分析，为模型的优化提供了关键支持。Ha-Na Song、Kyungseo Kim和Seongvin Ju则参与了数据的处理和模型的验证工作。Mi-Yeon Eun提供了必要的资源支持，确保研究的顺利进行。Woo-Keun Seo在项目管理和资金获取方面起到了重要作用，同时负责数据的整理和分析。Hyunjin Park则在论文的撰写和项目管理方面提供了支持，确保研究的全面性和系统性。

本文的研究成果得到了多项基金的支持，包括国家研究基金会（National Research Foundation）和人工智能研究生支持计划（AI Graduate School Support Program）。这些资金的投入为研究的顺利进行提供了保障，同时也为未来医学影像分割技术的发展奠定了基础。此外，本文的研究还得到了信息通信技术创新融合计划（ICT Creative Consilience program）和人工智能创新中心计划（Artificial Intelligence Innovation Hub program）的支持，确保了研究的多样性和可持续性。

总的来说，本文提出了一种结合传统规则方法和深度学习模型的新型血管分割方法，能够在不依赖显式标签的情况下，实现对颅内血管的高效、精准分割。该方法在处理高分辨率TOF-MRA图像时表现出良好的性能，能够有效减少计算资源的消耗，提高分割效率。实验结果表明，该方法在多个数据集上的表现均优于现有方法，为临床应用提供了可靠的技术支持。同时，该方法在保持血管区域完整性方面表现良好，能够显著减少噪声，提高分割的准确性。本文的研究成果不仅为医学影像分割技术的发展提供了新的思路，也为未来的临床应用提供了重要的参考价值。