编辑推荐：
冠状动脉疾病（CAD）严重威胁人类生命健康，冠脉造影（CAG）是其诊断的金标准。为解决单帧图像血管分割的过分割、误分割等问题，研究人员建立 SqCS 数据集并提出 TSNet 网络。结果显示其分割精度高，该研究为 CAD 诊断治疗奠定基础。
在生命的长河中，心血管疾病始终是高悬在人类健康头顶的达摩克利斯之剑，而冠状动脉疾病（Coronary Artery Disease，CAD）作为其中的 “主力军”，每年都无情地夺走无数生命。CAD 的发病根源在于冠状动脉出现动脉粥样硬化，就像原本畅通的高速公路上堆满了杂物，严重阻碍了血液和氧气向心脏的输送。患者常常会感到胸痛、呼吸急促，病情严重时甚至会引发心脏病，直接危及生命。
冠脉造影（Coronary Angiography，CAG）凭借数字减影血管造影（Digital Subtraction Angiography，DSA）技术，能够直观地呈现血管形态，一直以来都是诊断 CAD 的 “金标准”。然而传统的诊断方式依赖医生主观的视觉评估，不仅效率低下，还极易出现误诊的情况。于是，借助计算机技术实现 CAD 的科学诊断，成为现代医学亟待攻克的难题，而冠脉血管在造影图像中的分割，便是这一难题的关键突破口。
早期，传统算法试图通过滤波、阈值分割、区域生长和中心线提取等方法来实现血管分割。但这些方法就像 “一把钥匙开多把锁”，严重依赖人工设计的特定数据集特征，面对噪声干扰或不同数据集时，就显得力不从心，表现出流程复杂、鲁棒性差、泛化能力弱等缺点。
随着科技的进步，深度学习方法开始崭露头角。它如同拥有 “火眼金睛”，通过对每个像素进行密集分类来生成精准的分割结果。众多研究人员不断尝试，提出了各种创新方法，可即便如此，冠状动脉血管复杂的微观结构依旧是横亘在面前的 “大山”。其管径细小、分支繁多、结构复杂，再加上造影时出现的血管闭塞、对比剂分布不均以及背景伪影等问题，导致单帧图像分割时错误频发。比如血管在狭窄和低对比度区域出现断裂，影响血流动力学分析；血管边缘过度分割，干扰狭窄程度的定量评估；背景伪影被误分割，在 3D 重建中产生虚假血管结构，误导基于 3D 模型的分析。
为了突破这些困境，来自天津第一中心医院和天津第四中心医院的研究人员开启了一场科研攻坚之旅。他们建立了专门用于冠脉造影序列分割的 SqCS 数据集，并提出了基于时间序列的冠脉造影分割网络 TSNet（Time Series - based Coronary Angiography Segmentation Network）。
研究人员经过不懈努力，取得了令人瞩目的成果。在 SqCS 数据集上，TSNet 大显身手，Dice 分数达到 0.8966，Acc 为 0.9906，IoU 是 0.8127，clDice 为 0.9354，VCA 为 1.9027，BIOU 是 0.3565，VCA（另一指标）为 1.9072 。这意味着该方法极大地提升了像素级别的分割精度，有效解决了单帧分割中低对比度区域血管不连续的问题，成功保留了血管拓扑结构，显著提高了边缘分割的准确性。这一成果为 CAD 的准确临床诊断和治疗决策提供了坚实的技术支撑，在医学领域意义非凡。该研究成果发表在《Computerized Medical Imaging and Graphics》上。
研究人员开展研究时用到了几个主要关键技术方法。首先，建立了 SqCS 数据集，该数据集包含 58 个病例、340 个序列和 10484 张图像，且对每帧图像都进行了精细的血管标注。其次，提出了 TSNet 网络，这是一种多输入单输出的端到端 U 型网络。它利用多个编码器同时从输入序列帧中提取空间特征，还采用了边缘增强方法补偿边缘信息损失，运用时间和空间注意力单元（Temporal and Spatial Attention Unit，TSAU）对时空信息进行精细化提取和多帧特征融合。
下面来具体介绍研究结果。
- 数据准备：研究采用的冠脉造影图像大小为 512×512，为保证图像的全局特征和拓扑完整性，未对图像进行裁剪。在输入 2N+1 帧序列时，对首帧和末帧进行特定次数的复制，使序列中的每帧图像都能参与训练。同时，以序列作为数据样本划分的最小单位，将 10% 的数据用于测试。
- 实验结果：为验证 TSNet 的分割性能，研究人员选取了当前先进的分割方法进行对比，包括 2D 和 3D 版本的 AttentionUnet、冠脉造影血管分割网络 AngioNet、用于视网膜血管分割且带有边缘增强的 DE_DCGCN_EE，以及基于 Transformer 的方法等。结果显示，TSNet 在各项指标上表现优异，充分证明了其强大的分割能力。
- 消融研究：研究人员还进行了消融实验。通过训练基于 TSNet 架构的单输入单输出网络模型，验证了使用冠脉造影序列图像作为输入并提取多路径空间特征的有效性。同时，单独训练仅使用序列图像作为输入、在解码器恢复掩码前使用 TSAU 单元的模型，评估了边缘增强方法对 TSNet 性能的影响。结果表明，这些关键组件都对 TSNet 的良好性能起到了重要作用。
综上所述，研究人员成功建立了 SqCS 数据集，为基于序列的冠脉造影血管分割研究提供了优质的数据基础。提出的 TSNet 网络，凭借其独特的结构设计和创新的技术方法，在冠脉血管分割任务中表现卓越，显著提高了分割精度，有效解决了单帧分割存在的诸多问题。这一研究成果为 CAD 的临床诊断和治疗提供了精准的技术支持，有力推动了心血管疾病诊疗技术的发展，在生命科学和健康医学领域具有重要的应用价值和广阔的发展前景。未来，有望基于此研究进一步优化算法，拓展其在更多医学影像领域的应用，为人类健康事业做出更大的贡献。
