MTD-Net：一种用于脉络膜新生血管分割的鲁棒多任务判别网络

《Pattern Recognition》：MTD-Net: A Robust Multi-Task Discriminative Network for Choroidal Neovascularization Segmentation

自动分割脉络膜新生血管化（CNV）是老年性湿性黄斑变性（AMD）诊断的关键挑战。本文提出多任务判别网络，通过边界感知任务约束区域形状，结合符号距离变换优化血管结构建模，并引入不确定性估计策略提升模糊边界识别。实验在宁波大学技术学院收集的74例CNV数据集上验证，区域和血管分割Dice系数分别达91%和90%，显著优于传统方法。

　　在当今医学影像分析领域，针对视网膜疾病的诊断和治疗，特别是老年性黄斑变性（Age-related Macular Degeneration, AMD）的研究，光学相干断层扫描血管成像（Optical Coherence Tomography Angiography, OCTA）技术正逐渐成为重要的工具。OCTA能够提供高分辨率、三维的视网膜血管图像，为临床医生提供了更为直观和精确的诊断依据。然而，OCTA图像中存在多种复杂的成像因素，如投影伪影和噪声引起的边界模糊，使得对视网膜脉络膜新生血管（Choroidal Neovascularization, CNV）的自动分割面临诸多挑战。为此，本研究提出了一种稳健的多任务判别网络（MTD-Net），旨在实现对CNV病变区域和血管的精确分割。

CNV作为AMD的一种主要表现形式，是导致50岁以上人群失明的重要原因之一。在临床实践中，对CNV的精准识别和分割对于疾病的早期诊断、治疗方案的制定以及病情的跟踪监测具有至关重要的意义。然而，现有的医学图像分割方法在处理CNV图像时仍存在诸多不足。一方面，由于CNV的形状复杂且不规则，传统的分割算法难以准确捕捉其边界特征。另一方面，OCTA图像本身受到多种成像因素的影响，如散射和吸收变化导致的投影伪影，以及患者眼球运动产生的运动伪影，这些都会降低图像质量，增加分割难度。

本研究的核心创新点在于引入了一种多任务学习架构，通过判别性特征提取与任务间信息融合，提升模型对CNV病变区域和血管的识别能力。在该架构中，我们设计了多个辅助任务，包括边缘回归和形状学习，这些任务不仅有助于增强模型对病变区域和血管的感知能力，还能在不同任务之间实现信息的有效传递和融合。具体而言，边缘回归任务能够捕捉病变区域的边界信息，而形状学习任务则专注于提取病变的形态特征。通过将这些任务的信息进行融合，我们能够更全面地理解CNV的结构特征，从而提高分割的准确性。

此外，我们还引入了一种不确定性估计策略，以增强模型在模糊边界区域的识别能力。该策略通过量化每个像素点的预测不确定性，使模型在面对成像伪影和噪声干扰时，能够更准确地判断哪些区域的分割结果需要特别关注。这种方法不仅提升了模型的鲁棒性，还减少了对人工标注的依赖，使得自动化分割更加高效和可靠。在训练过程中，不确定性估计机制能够动态调整不同任务的损失权重，从而优化模型的学习过程，使其更加适应实际应用中的复杂情况。

为了验证所提出方法的有效性，我们构建了一个专门的CNV数据集，并在该数据集上进行了实验分析。数据集来源于宁波工程学院附属医院，包含了74名被诊断为湿性AMD的患者。每位患者均接受了OCTA检查，使用的是Heidelberg OCT2系统，所获取的图像覆盖了视网膜中心区域，即黄斑区，大小为3×3毫米。这些图像均经过人工标注，由两位经验丰富的医生独立完成，确保了标注的准确性和一致性。通过对比实验，我们发现MTD-Net在区域分割和血管分割任务上的Dice系数分别达到了91%和90%，显著优于现有的医学图像分割方法。

除了在CNV分割任务上的表现，我们还进行了跨疾病验证，以评估MTD-Net的泛化能力。我们选取了两个不同的医学影像数据集：一个是标准化的CVC-300结肠镜数据集，用于评估脉络膜病变的分割能力；另一个是我们自行构建的OCTA数据集，用于评估视网膜血管的分割效果。实验结果表明，MTD-Net不仅在CNV分割任务上表现出色，而且在其他类型的医学影像分割任务中也展现了良好的适应性和性能。

本研究的主要贡献包括以下几个方面：首先，我们提出了一种稳健的多任务判别网络，通过引入边缘辅助任务和形状学习任务，实现了对CNV病变区域和血管的精确分割。其次，我们开发了一种多任务信息交互与融合模块，即判别性特征提取（Discriminative Extraction, DE）模块。该模块通过判别性降维技术，充分挖掘不同任务之间的互补性，有效区分任务之间的差异，从而提升了多任务学习的效率和性能。最后，我们引入了不确定性估计机制，以增强模型在模糊边界区域的识别能力，减少了对人工标注的依赖，提高了自动化分割的鲁棒性。

在实际应用中，MTD-Net的引入将极大地改善临床医生在处理CNV图像时的工作效率。通过自动化分割，医生可以更快速地获取病变区域和血管的详细信息，从而为患者的诊断和治疗提供更为精准的数据支持。此外，该方法还能帮助研究人员更深入地理解CNV的生长模式和病理特征，为相关疾病的机制研究和新疗法的开发提供新的视角。

总的来说，本研究提出了一种基于多任务学习和不确定性估计的稳健分割框架，有效解决了OCTA图像中CNV自动分割的难题。通过引入判别性特征提取模块，我们不仅提升了模型的分割性能，还增强了其在不同医学影像任务中的泛化能力。未来，我们计划进一步优化模型结构，探索更高效的训练策略，并将其应用于更多的临床场景，以期为眼底疾病的诊断和治疗带来更大的便利和价值。