VesselMamba：基于Mamba的CTA图像三维血管分割新方法

推荐 为解决CTA图像中三维血管分割难题，研究人员开展基于Mamba的三维血管分割网络VesselMamba研究。该网络通过并行Mamba块、SCASPP模块及复合损失函数，有效处理长距离依赖、多尺度结构和连通性问题。实验表明，其在公共和私有数据集上均取得最优性能，为临床诊断和研究提供可靠工具。

　　

论文解读
在医学影像领域，Computed Tomography Angiography（CTA，计算机断层扫描血管造影）凭借其高分辨率和快速成像的特点，成为诊断血管疾病的关键手段。然而，CTA图像中的三维血管分割却面临着诸多棘手的问题。人体血管结构复杂，呈现出多尺度、长距离分支的特点，而且血管像素在图像中占比极少，与周围组织形成鲜明对比，这使得准确检测和分割血管变得极为困难。此外，手动分割不仅耗时费力，还容易受到操作人员主观因素的影响。因此，开发高效、精准的自动血管分割算法成为临床诊断和研究的迫切需求。

为了解决这些问题，复旦大学附属中山医院的研究人员开展了相关研究，并提出了VesselMamba这一创新的三维血管分割网络。该研究旨在提高CTA图像中血管分割的准确性和效率，为临床诊断和治疗提供更可靠的依据。

研究人员采用了多种关键技术方法。首先，他们基于Mamba（Modeling Long-Range Dependencies with State Space Models）构建网络架构。Mamba通过结构化状态空间公式，以线性计算复杂度高效建模长距离依赖关系，解决了传统卷积神经网络（CNNs）局部感受野受限以及Vision Transformers（ViTs）计算资源需求高的问题。其次，在编码器中引入并行Mamba块，这些并行路径能够从不同尺度或特定空间维度提取特征，增强模型对多样化特征的识别能力。再者，设计了Spatial and Channel Attention with Spatial Pyramid Pooling（SCASPP）模块，结合空洞空间金字塔池化和空间通道挤压 - 激活机制，有效融合多尺度信息并突出关键血管特征。最后，引入复合损失函数，将clDice损失与传统交叉熵和Dice损失相结合，增强分割结果的连通性。

研究结果令人振奋。在实验部分，研究人员在私有数据集PVS - CTA（Portal Vein System - Computed Tomography Angiography）和公共数据集上进行了验证。PVS - CTA数据集包含124名患有肝硬化和门静脉疾病的上海中山医院患者，其中84例用于训练，40例用于验证。实验结果表明，VesselMamba在公共和私有数据集上均取得了最优性能，显著优于现有的CNN - based、Transformer - based和标准Mamba方法。具体而言，并行Mamba块有效识别了不同尺度和空间维度的血管；SCASPP模块优化了网络对全局信息的理解，同时抑制了背景噪声；复合损失函数减少了血管分割的碎片化和伪影，提高了分割结果的连续性和准确性。

在研究结论和讨论部分，VesselMamba的成功具有重要意义。它为CTA图像中的血管分割提供了一种高效、精准的解决方案，有效应对了长距离依赖、多尺度结构和连通性等关键挑战。该网络的创新架构和关键技术方法为医学影像分析领域提供了新的思路和方法。此外，VesselMamba在临床诊断和治疗规划中具有潜在的应用价值，能够帮助医生更准确地识别和分析血管结构，提高诊断的准确性和治疗的有效性。未来，研究人员可以进一步优化该网络，探索其在其他医学影像分析任务中的应用，推动医学影像技术的发展。该论文发表在《Biomedical Signal Processing and Control》上，为相关领域的研究人员提供了重要的参考和借鉴。