HemaContour：基于显式参数轮廓学习的NCCT脑出血稳健分割新方法

《npj Digital Medicine》：HemaContour: explicit parametric contour learning for robust ICH segmentation on non-contrast CT

本研究针对非增强CT（NCCT）中脑出血（ICH）体积估计和风险分层的精准需求，提出HemaContour这一轮廓中心化框架。该框架通过闭合参数样条拟合血肿边界，结合隐式轮廓回归网络与可微分蛇形动力学优化，在INSTANCE和PhysioNet CT-ICH数据集上分别将Dice提升至87.2%和84.3%，HD95降低14.1%，显著改善边界保真度和体积测量准确性，为临床形状分析提供可靠工具。

　　

脑出血（ICH）作为致死率超过40%的卒中亚型，其血肿体积的精准测量直接关系到治疗决策与预后评估。当前临床依赖的非增强CT（NCCT）虽能快速捕捉出血信号，但血肿与脑组织间的低对比度、水肿带干扰以及钙化灶邻近区域的混淆，常导致传统像素级分割方法产生锯齿状边界，严重影响体积计算的可靠性。尽管U-Net等深度学习模型已实现较高Dice分数，其边界保真度不足仍制约临床转化。

为解决这一难题，宁波大学附属李惠利医院团队在《npj Digital Medicine》发表研究，提出HemaContour这一创新轮廓学习框架。该研究突破像素级分割范式，将血肿边界建模为闭合参数样条，通过粗粒度CNN初始化轮廓后，采用隐式轮廓回归网络结合可微分蛇形动力学进行优化，最终在保持解剖合理性的同时实现精准边界定位。

关键技术方法包括：①基于轻量U-Net的粗分割掩模生成；②64控制点的三次B样条参数化建模；③融合图像特征与几何编码的隐式回归网络；④结合内部能量（弹性/曲率约束）与图像梯度能量的可微分蛇形优化；⑤联合Dice损失、边界距离损失与曲率正则化的形状感知损失函数。研究使用INSTANCE 2022挑战赛100例训练数据及PhysioNet CT-ICH 82例外部验证数据，均采用5mm层厚NCCT扫描。

研究结果验证框架优越性：

• •
  主实验性能：在INSTANCE测试集上，HemaContour的Dice达87.2%，较最佳基线Swin-UNETR提升2.2个百分点，HD95从8.5mm降至7.3mm（改善14.1%），绝对体积误差（AVE）降低至3.6mL
• •
  泛化能力验证：外部验证中Dice保持84.3%，泛化差距（Δ_gen=2.9pp）小于所有基线模型，显示更强域适应能力
• •
  消融实验分析：移除蛇形优化模块（T=0）导致HD95上升至8.6mm，证实可微分动力学对边界控制的关键作用
• •
  定性应力测试：如图7所示，在低对比度水肿界面、钙化灶邻近区域及artifact干扰场景中，HemaContour均产生更平滑且解剖合理的轮廓
  

结论表明，HemaContour通过显式轮廓建模有效解决NCCT ICH分割的边界模糊问题。其参数化表征天然支持体积与形状指标（如凸度、粗糙度）的直接提取，为预后 biomarker 分析提供新途径。该框架在保持12ms/切片的高效推理同时，将体积误差阈值交叉风险降低14%，对临床决策具有实质意义。未来工作将探索3D参数曲面扩展及与血肿扩张风险的联合建模，进一步强化临床转化价值。