编辑推荐：
精准的气道分割对肺部疾病诊疗至关重要，但数据不平衡和小气道分支检测困难制约着相关研究。本研究提出 AirSeg 框架，融合多种注意力机制与可学习嵌入模块。在两个数据集上的实验表明，其使分割准确率显著提升，为临床早期诊断提供新工具。
在肺部疾病的诊疗过程中，精准的气道分割如同为医生打开了一扇清晰观察肺部结构的窗户，对于解剖特征描述、气道形态变化表型分析以及早期诊断都起着至关重要的作用。然而，这一关键环节却长期面临着重重挑战。一方面，手动勾勒气道不仅耗费大量人力，而且不同临床医生之间的操作存在显著差异，在许多临床场景中难以实际应用。另一方面，CT 图像中小于 2 毫米的小气道分支，如终末细支气管，由于体积微小、在 CT 图像上 visibility 有限，再加上体素密度变化大以及大小分支之间明显的数据不平衡，使得机器学习模型在处理不同患者群体的肺部情况时，常常出现分割碎片化或假阴性预测的问题。此外，气道结构与周围组织的高相似性，以及气道内黏液嵌塞导致的体素密度接近周围组织等情况，更是让气道分割难上加难。
为了攻克这些难题，来自美国阿拉巴马大学伯明翰分校（University of Alabama at Birmingham）的研究人员开展了一项富有创新性的研究。他们提出了 AirSeg，这是一种可学习的互联注意力框架，旨在提升 CT 图像中的气道分割精度。该研究成果发表在《Journal of Imaging Informatics in Medicine》上。
研究人员在研究中主要运用了以下关键技术方法：构建了包含图像注意力（IAM）、位置注意力（PAM）、语义注意力（SAM）、自通道注意力（SCAM）和跨空间注意力（CSAM）等多种注意力机制的 AirSeg 模块，该模块可与任何类 UNet 网络灵活集成；设计了基于方差的可学习嵌入模块（LEM），用于动态调整输入特征，提升模型对空间不一致和噪声的鲁棒性；采用了两个数据集（体内和原位）进行实验，运用数据增强技术、结合骰子相似系数（DSC）和交并比（IoU）的混合损失函数进行模型训练，并通过统计分析评估精度提升情况。
研究结果
- AirSeg 集成性能评估：将 AirSeg 集成到六种 UNet 变体（UNet、UNet++、ResUNet、VNet、SEUNet、DenseUNet）中进行评估。在体内数据集上，准确率提升了 16.18%（p=0.0035）；在原位数据集上，准确率提升了 10.32%（p=0.0097）。这表明 AirSeg 的集成显著提高了模型的分割精度，且在不同的 UNet 变体中表现出了一定的适应性差异，如 UNet++ 变体提升有限，提示其与残差嵌套跳跃连接的结合效果更优。
- AirSegRes 与其他模型对比：AirSeg 与 ResUNet 结合形成的 AirSegRes 模型，与 r2UNet、Dual attention network、Axial attention network、Attention UNet（AttnUNet）、Pyramid attention network 等五种流行网络相比，加权平均准确率提升了 12.43%（p=0.0004），且标准差显著较低，充分展现了其在性能上的优越性和稳定性。
- 消融研究：通过对不同注意力机制、嵌入技术和融合策略的消融研究发现，图像注意力单独使用时 DSC 为 0.8，添加位置和语义注意力后 DSC 维持在 0.8，而同时融入空间和通道注意力后 DSC 提升至 0.81，说明这些机制在捕捉细粒度和多维度特征方面发挥了重要作用。此外，所提出的嵌入方法（LEM）相较于基于补丁（Patch）或卷积（CNN）的嵌入方式，能使 DSC 达到 0.81，证明其在动态捕捉数据中的空间和语义变化方面更具优势。
结论与讨论
AirSeg 通过融合多种注意力机制和可学习嵌入模块，有效捕捉和整合了低层和高层特征，实现了对复杂气道结构的精确定位。其在动态利用层次特征表示方面表现出色，既能捕捉细粒度细节，又能把握更广泛的上下文模式，这对于小而复杂的气道分支的准确分割至关重要。可学习嵌入模块通过增强网络层之间的特征交互，进一步提升了分割性能。
该研究成果在临床应用中具有重要意义。AirSeg 能够精确描绘气道解剖结构，尤其是难以检测的外周分支，为呼吸系统疾病的早期识别提供了有力支持，有助于医生做出更明智的决策。其适应性设计使其能够轻松集成到当前的成像流程中，提高诊断评估的速度和一致性。例如，增强对小气道分支的检测可以支持闭塞性细支气管炎等疾病的早期诊断，同时精确的气道地图在支气管镜导航的规划和引导中也至关重要。
然而，该研究也存在一定局限性。样本量相对较小且缺乏多样化的数据集，制约了结果的普遍适用性。此外，研究主要围绕 2D 网络展开，未来探索 3D 架构有望利用体积连续性实现更好的分割效果，尽管这可能会增加计算成本。另外，研究中未与 Transformer 等先进架构进行比较，这也为未来的研究提供了方向。
总体而言，AirSeg 的提出为气道分割领域带来了新的思路和方法，其在提升分割精度和临床应用潜力方面的表现令人瞩目。随着后续研究的不断深入和完善，AirSeg 有望在计算机辅助诊断系统和自动化气道分析工具中发挥重要作用，为肺部疾病的诊疗带来新的变革。
