基于SFAG-DeepLabv3+的冠状动脉造影图像自动分割方法：提升特征提取与拓扑结构融合的精准诊断

为解决冠状动脉造影图像因复杂血管拓扑特征提取不足导致的分割效果差问题，哈尔滨理工大学团队提出SFAG-DeepLabv3+自动分割方法。通过Swin Transformer筛选图像、FSE增强技术提升质量，并改进DeepLabv3+网络，引入ADP模块增强特征提取、GCSF模块减少信息损失。实验在CSH和ARCADE数据集上分别达到0.9249和0.9156的平均Dice系数，为冠心病精准诊断提供新工具。

　　

心血管疾病（CVD）是全球死亡的首要原因，其中冠状动脉疾病（CAD）占比最高。冠状动脉造影图像是诊断CAD的金标准，但传统分割方法因血管拓扑结构复杂、图像质量差（如低对比度、高噪声）导致分割不连续、小血管漏检等问题。现有深度学习模型如U-Net和DeepLabv3+虽有一定效果，但存在局部特征提取不足、信息压缩损失等缺陷。

哈尔滨理工大学的研究团队在《Neurocomputing》发表研究，提出SFAG-DeepLabv3+自动分割方法。该方法通过Swin Transformer分类网络筛选有效图像，采用过滤平滑均衡化（FSE）技术增强图像质量；改进DeepLabv3+网络架构，设计自适应混合空洞卷积与双池化（ADP）模块增强血管局部和全局特征提取，引入高斯上下文空间融合（GCSF）模块减少编码器-解码器间信息损失，并采用双三次插值上采样提升血管连续性。

关键技术方法
研究使用自建CSH数据集和公开ARCADE数据集，通过Swin Transformer预筛选图像，FSE方法结合中值滤波、高斯平滑和限制对比度直方图均衡化（CLAHE）增强图像。改进的DeepLabv3+网络在编码器嵌入ADP模块（结合空洞卷积与最大/平均池化），在编码器-解码器间加入GCSF模块进行通道与空间维度特征重构，解码器采用双三次插值优化分割连续性。

研究结果

1. 图像增强效果：FSE方法显著提升血管与背景对比度，噪声减少约30%。
2. 模块性能验证：ADP模块使小血管检出率提高15%，GCSF模块减少信息损失导致的断裂现象。
3. 分割指标：在CSH和ARCADE数据集上平均Dice系数分别达0.9249和0.9156，优于PSPNet、U-Net等基线模型。

结论与意义
该研究通过多模块协同优化，解决了冠状动脉造影图像分割中的特征提取不充分、信息丢失和图像质量差三大核心问题。ADP模块突破传统空洞卷积的棋盘效应，GCSF模块首次将高斯空间注意力引入血管分割任务，FSE技术为低质量医学影像处理提供新思路。临床应用中，该方法可辅助医生快速量化血管狭窄程度和斑块分布，推动冠心病智能诊断发展。未来可进一步探索三维血管重建与动态血流分析的应用潜力。