编辑推荐：
这篇综述聚焦于心血管和脑血管的自动分割，全面回顾了深度学习在该领域的应用，涵盖监督、半监督和无监督方法，探讨了其优势与局限，强调多模态、标签高效的深度学习是未来方向，为相关研究和临床应用提供指导。
心血管和脑血管自动分割：多模态和数据高效深度学习技术的发展趋势
引言
心血管疾病是全球主要死因，2019 年超 1790 万人因此丧生 ，在中国城乡致死率也颇高。心血管系统由大小各异的动静脉组成，血管形态变化能反映多种病理状况，像动脉粥样硬化、狭窄和动脉瘤等，准确分割异常血管对疾病早期诊断和治疗意义重大。
医学成像技术，如数字减影血管造影（DSA）、磁共振血管造影（MRA）和计算机断层扫描血管造影（CTA），是诊断心血管疾病的重要手段 。不过，当前临床中血管分割多依赖手工或半自动方式，耗时费力还易出错。经典血管分割技术虽利用了血管图像特征，但存在依赖手工特征、需手动选参数和处理步骤繁琐等问题 。近年来，人工智能（AI），尤其是深度学习（DL）在心血管疾病检测和诊断中应用渐广，卷积神经网络（CNN）等 DL 方法在血管分割上表现出色，能自动提取特征，效果优于传统方法。此前虽有血管分割相关综述，但缺乏对心血管 DL 模型的系统概述，本文旨在填补这一空白。
心血管可视化的多模态成像
在众多成像方式中，血管造影仍是血管成像的有效技术，它能提供关键血流和血管系统参数信息，对心血管疾病诊断和预后评估意义非凡 。不同成像模态各有特点，在血管分割中发挥着不同作用，影响着模型性能。
心脏和大脑的深度学习血管分割方法
DL 在心血管结构自动分割上潜力巨大，能提升分割可靠性。DL 方法大致可分为标签密集的全监督和标签高效的 DL 方法 。全监督学习依赖大量标注数据，在血管分割中有不错表现；标签高效的方法则致力于减少对标注数据的依赖，探索更高效的分割方式。
血管分割的开源多模态数据集
数据集是心血管疾病 DL 模型开发的关键 。目前已有多种用于心血管诊断的数据集，如 MRA 和 CTA 相关数据集。这些数据集为研究人员提供了丰富数据资源，有助于推动心血管疾病诊断研究的发展。
开发多模态标签高效深度学习技术的迫切需求
血管分割对理解和诊断心血管疾病至关重要 。尽管现有分割方法取得了一定进展，但为克服依赖标注数据、缺乏泛化性和多模态数据利用不足等局限，提高分割准确性和效率，开发多模态标签高效的深度学习技术迫在眉睫。这种技术有望充分整合多模态数据优势，减少对大量标注数据的依赖，提升模型性能。
结论
心血管疾病给全球医疗系统带来巨大挑战 。传统手工分割方法弊端明显，精准的心脏和脑血管成像分割对有效诊断和治疗规划不可或缺。DL 技术革新了自动分割领域，在识别和勾勒医学图像中的复杂血管结构上表现卓越。未来，多模态标签高效的深度学习技术将成为提升血管分割水平的关键方向，有望推动心血管疾病诊断和治疗的进步。
