基于解剖先验引导的双路径网络APG-DPNet：胃周静脉分割与曲张定量分析的创新方法

为解决复杂血管环境中胃周静脉误分割与漏检问题，研究人员开发了基于解剖先验引导的双路径网络APG-DPNet。该研究通过整合胃解剖掩膜空间约束与多条件约束模块（MCCM），实现了82.3%的Dice分数和0.90的静脉直径测量相关性，为胰腺门静脉高压（PPH）的自动化定量诊断提供了高精度工具，显著提升了临床适用性。

　　

胰腺门静脉高压（PPH）是一种由胰腺疾病引发的罕见但致命的临床综合征，其诊断依赖胃周静脉的精准定位与形态学评估。然而，传统CT影像分析面临三大挑战：复杂解剖结构导致血管误判、动态血流影响成像稳定性，以及缺乏针对PPH的特异性分析工具。现有方法难以区分胃周静脉与邻近血管（如门静脉），且手动测量易受主观性干扰，亟需一种自动化、高精度的解决方案。

南通大学智能视觉实验室团队提出APG-DPNet网络，通过双路径协同设计攻克上述难题。该研究采用三项关键技术：1）基于预训练胃分割网络生成解剖掩膜，约束血管搜索空间；2）引入多条件约束模块（MCCM），整合静脉形态特征、对比增强与直径评估；3）开发尺度自适应静脉直径估计算法，动态校正成像参数差异。实验数据来自内部临床队列、外部验证集及公开数据集BTCV。

研究结果

1. 解剖先验路径的有效性：胃解剖掩膜将非目标静脉干扰降低37%，使Dice分数提升9.2%。
2. 静脉分割路径性能：级联U-Net结构在低对比度小血管检测中召回率达85.4%，优于传统阈值分割法。
3. MCCM模块优势：通过融合静脉拓扑特征，曲张静脉识别准确率提高至91.3%，假阳性率下降24%。
4. 直径量化可靠性：尺度自适应拟合策略使直径测量与人工标注相关性达0.90（p<0.001），显著优于静态拟合方法。

结论与意义
APG-DPNet首次将解剖先验知识与深度学习结合，实现了PPH诊断的两大突破：1）空间约束策略使胃周静脉定位误差降低至3.2mm，解决了传统方法在胃脾交界区的漏检问题；2）动态量化模块克服了成像协议差异，为临床干预时机选择提供客观依据。该模型在跨中心验证中保持79.6%以上的Dice分数，证实其强泛化能力。研究发表于《Neurocomputing》，为罕见病智能诊疗树立了新范式，未来可扩展至其他脉管系统异常分析。