JGTA-Net：基于联合几何拓扑分析的颅内动脉瘤检测与分割新方法

《IEEE Transactions on Biomedical Engineering》：A Joint Geometric Topological Analysis Network (JGTA-Net) for Detecting and Segmenting Intracranial Aneurysms

针对颅内动脉瘤（IA）自动检测难题，研究人员提出联合几何拓扑分析网络（JGTA-Net）。该模型通过层次化几何特征学习和持续同调拓扑分析，结合多尺度特征融合模块，在IntrA数据集上实现Dice=0.95、IOU=0.90的优异分割性能，并在两个独立验证集上证实其强泛化能力（>10% SC提升），为临床动脉瘤风险评估提供可靠技术支撑。

　　

在大脑的血管网络中，颅内动脉瘤就像潜伏的"定时炸弹"——这些血管壁的异常膨出平时毫无症状，一旦破裂却会导致致命的蛛网膜下腔出血。尽管现代医学影像技术如CT血管成像（CTA）和磁共振血管成像（MRA）能够发现未破裂动脉瘤，但医生在阅片时面临着巨大挑战：动脉瘤通常体积微小，且隐藏在错综复杂的脑血管网络中，肉眼识别极易漏诊。在医疗资源匮乏地区，缺乏经验丰富的放射科医生更是雪上加霜。传统计算机辅助诊断系统多基于血管曲率、阈值分割等算法，其准确性难以满足临床需求。

随着深度学习技术的发展，三维点云作为高效的三维物体表示方式，为动脉瘤自动检测带来了新机遇。与传统的二维图像和体素表示相比，点云不仅内存占用更少，还能更全面地保留血管的立体形态特征。然而，现有点云分割方法在处理精细三维物体时，往往难以有效捕捉复杂的结构细节，特别是对动脉瘤这种具有复杂拓扑结构的形态学特征识别不足。

针对这一难题，美国密歇根理工大学Jingfeng Jiang团队开发了JGTA-Net（联合几何拓扑分析网络），该研究成果发表在《IEEE Transactions on Biomedical Engineering》上。这一创新模型巧妙地将几何特征学习与拓扑数据分析（TDA）相结合，在动脉瘤分割任务中实现了突破性进展。

研究人员采用了几项关键技术方法：基于PointNet++的层次化几何特征学习框架提取局部几何信息；持续同调（Persistent Homology）拓扑分析模块捕获多尺度拓扑特征；多头部通道注意力融合模块整合不同模态特征；同时引入拓扑损失函数_PD优化分割结果的拓扑正确性。研究使用了公开IntrA数据集（116个动脉瘤点云）和两个内部验证集（42个长血管段和110个短血管段案例），通过5折交叉验证评估模型性能。

层次化几何特征学习

研究团队在PointNet++基础上进行改进，增加了两个关键几何参数：每个点到母动脉中心线的距离（d2cl）和到动脉瘤顶点的测地距离（gd）。通过最远点采样（FPS）算法和球查询分组，模型能够在不同空间尺度上学习局部几何特征。这一模块通过多个抽象层处理点云数据，每个抽象层包含采样、分组和特征提取三个步骤，逐步捕获从细粒度到粗粒度的几何结构信息。

拓扑数据分析模块

这是研究的核心创新点。该模块利用Ripser++软件包计算Vietoris-Rips持续同调，通过过滤过程追踪拓扑特征的演化。如图5所示，模块首先构建单纯复形过滤，记录拓扑特征的"生命周期"，然后生成持续图（Persistence Diagram），最后将拓扑特征转换为持续图像（Persistence Image）的矩阵表示。这一过程能够有效过滤短寿命的噪声特征，保留稳定的拓扑不变量，重点关注一维（环状）和二维（空洞）特征。

多头部通道注意力融合模块

为解决不同模态特征的有效整合问题，研究人员设计了特征融合模块。该模块通过线性变换将输入特征映射到多个子空间，每个注意力头独立计算查询（Q）、键（K）、值（V）的注意力分数，使用softmax函数归一化注意力权重，最终加权求和生成融合特征。这种设计充分考虑了多个网络组件的集体贡献，实现了几何与拓扑特征的优势互补。

损失函数设计

研究采用了联合损失函数_Total = λ_1CE + λ_2PD，其中交叉熵损失_CE监督空间分类，拓扑损失_PD基于Wasserstein距离度量预测与真实标签在拓扑特征上的差异。这种设计确保了分割结果在保持几何准确性的同时，具备正确的拓扑关系。

实验结果

在IntrA数据集上，JGTA-Net在512个采样点设置下取得了最佳性能：IOU为89.91%，DSC为96.52%，远优于其他7种对比方法。特别是在假阳性率（FPR=0.86%）和假阴性率（FNR=1.85%）方面表现突出，显著降低了误诊和漏诊风险。

在内部验证集1（长血管段）上，模型面对更复杂的血管结构仍保持稳定性能，IOU和DSC分别达到70.47%和81.27%，明显优于其他方法。这表明JGTA-Net能够有效处理临床环境中常见的复杂血管形态。

在内部验证集2（短血管段）上，模型性能与IntrA数据集相当，IOU和DSC分别为90.52%和94.78%，进一步证明了其强泛化能力。与其他方法相比，JGTA-Net在各项指标上均保持领先优势。

消融实验分析

多模块嵌入实验表明，单独使用几何特征（Geo）时mIOU为79.71%，加入拓扑分析模块（TDA）后提升至86.15%，最终结合注意力融合模块（Atten）达到89.94%，证明了各模块的有效性。

损失函数消融实验显示，加入拓扑损失_PD后，mIOU从83.01%提升至89.94%，验证了拓扑损失函数对提升分割质量的重要作用。

形态学参数影响实验证实，同时使用d2cl和gd参数时性能最优（mIOU=93.27%），说明这两个几何描述符对动脉瘤分割具有互补作用。

研究结论表明，JGTA-Net通过融合几何与拓扑分析，在颅内动脉瘤分割任务中实现了state-of-the-art性能。其创新性在于首次将TDA应用于动脉瘤检测，通过持续同调捕捉多尺度拓扑特征，结合注意力机制实现有效特征融合。该模型在三个数据集上的稳定表现，证明了其在真实临床场景中的应用潜力。

值得注意的是，该方法能够准确识别多个相邻动脉瘤和大小差异显著的动脉瘤，这一能力对临床诊断尤为重要。同时，低假阴性率意味着模型漏诊风险小，这对于动脉瘤这种致命性疾病的筛查至关重要。

未来，该技术可与计算流体动力学结合，构建完整的动脉瘤风险评估系统。尽管当前模型在计算复杂度方面存在优化空间，但其整体框架为三维医学图像分割提供了新思路。随着自动血管分割技术的发展，JGTA-Net有望成为临床动脉瘤智能诊断平台的核心组件，为脑血管疾病的早期发现和干预提供可靠工具。