半监督时间注意力网络：精准突破肺 4D CT 通气估计难题

为解决传统 CT 通气成像（CTVI）方法依赖图像配准易产生误差、深度学习方法需大量标记数据且无法充分利用 4D CT 图像时间特征的问题，研究人员提出半监督时间注意力（S2TA）网络，实验表明该方法精度更高，有助于肺功能避让放疗等。

　　在医学领域，肺部疾病的精准诊断与治疗一直是研究的重点。肺通气估计能为设计功能避让放射治疗计划和评估治疗反应提供关键的区域肺功能信息，意义重大。然而，传统的临床标准肺通气成像技术存在诸多弊端。像基于放射性气体或气溶胶的技术，不仅会因气道沉积产生伪影，降低成像质量，还会让患者额外暴露在辐射剂量下；而超极化惰性气体磁共振成像（MRI）虽然能测量肺部区域通气的三维分布，但需要特殊的示踪气体和专业设备，使用受限。

在此背景下，基于 4D CT 的通气估计（CTVI）技术应运而生。它通过在呼吸过程中连续扫描获取一系列 3D 图像，不仅能提供组织运动的相位分辨可视化，还包含肺组织空间分布和密度变化的宝贵信息，且具有分辨率高、易获取等优势。但目前的 CTVI 方法也问题重重。大多数传统方法高度依赖图像配准来追踪体积变化，配准结果的微小扰动就会导致通气图像的大幅变化，估计精度低且计算复杂。深度学习方法虽在一定程度上有所改进，但也存在明显缺陷，比如依赖少量标注图像进行训练，使用单一类型的临床标准通气图像（CSVI）作为标签，模型鲁棒性差，并且忽视 4D CT 图像的时空特征。

为了攻克这些难题，国内研究人员开展了关于半监督时间注意力（S²TA）网络用于肺 4D CT 通气估计的研究。他们提出的 S²TA 网络结合半监督学习和时间注意力机制，有望提升通气估计的准确性。该研究成果发表在《Computerized Medical Imaging and Graphics》上，为肺部疾病的治疗提供了新的思路和方法，具有重要的临床应用价值。

在研究方法上，研究人员使用了三个公开的胸部 4D CT 数据集。他们构建了半监督学习框架，其中教师模型用于从未标记的 4D CT 图像生成伪标签，学生模型则以标记和未标记的 4D CT 图像作为输入进行训练。同时，设计了时间注意力架构来充分挖掘 4D CT 图像序列中的时间信息。

在结果部分，研究人员通过广泛实验评估了 S²TA 网络。

• 对比实验结果：将 S²TA 网络与当前最先进的方法进行对比，结果显示，S²TA 网络在三个公开的胸部 4D CT 数据集上，均展现出更高的估计准确性。这表明该方法能够更精准地估计肺通气情况，在实际应用中可能具有更好的效果。
• 方法有效性验证：通过一系列实验验证了半监督学习框架和时间注意力架构的有效性。半监督学习利用大量未标记数据为有限标记数据的训练提供额外信息，有助于生成更准确的通气图像；时间注意力架构则能有效捕捉 4D CT 图像序列多相位之间的时间关系，进一步提升了估计的准确性。

研究结论表明，S²TA 网络能够有效利用未标记数据提升通气估计性能。该网络的教师模型可从未标记 4D CT 图像生成伪标签，训练同时使用标记和未标记数据的学生模型，且教师模型基于平均教师架构，通过学生模型的移动平均更新权重。这一研究成果意义重大，它为肺功能避让放疗和治疗反应建模提供了更可靠的方法，有望推动肺部疾病精准治疗的发展。

在讨论部分，研究人员指出当前基于深度学习的 CT 通气估计领域虽然活跃，但现有方法仍存在依赖单一类型 CSVI 作为训练标签、模型鲁棒性低、忽视 4D CT 图像时空特征等问题。而 S²TA 网络的提出，恰好针对这些问题进行了改进，为后续研究指明了方向。其创新性的半监督学习和时间注意力机制，为提升 CT 通气估计的准确性提供了新的途径，对未来相关技术的发展和临床应用的拓展具有重要的启示作用。