基于UNETR架构的肝脏CT图像多类血管分割：提升肝脏手术预规划的精准度

为解决肝脏血管结构复杂、手动分割耗时且依赖专家经验的问题，来自医院的研究团队提出采用UNETR（U-Net Transformers）架构实现CT图像中门静脉与肝静脉的多类分割。该模型通过Transformer编码器捕捉长程依赖关系，在本地数据集上取得门静脉49.71%、肝静脉69.39%的Dice系数，在IRCAD数据集达62.54%，为手术预规划提供自动化工具。

　　

精准的肝脏血管分割对降低手术风险至关重要，它能精确定位错综复杂的血管网络。传统人工分割既费时又受操作者经验制约，而肝内门静脉(portal veins)与肝静脉(hepatic veins)如同交织的树状结构，解剖变异更增加了挑战。这项研究创新性地采用UNETR架构——结合U-Net与Transformer的优势，其编码器能突破传统卷积神经网络(CNN)的局限，捕捉血管间的长程空间关联。

研究团队在IRCAD标准数据集和医院本地数据集上验证效果，对比增强CT显示：UNETR对门静脉分割达49.71% Dice系数，肝静脉达69.39%，整体血管分割性能76.74%。即使在差异显著的IRCAD数据中，血管分割仍保持62.54%的稳定表现。这些数据印证了Transformer模型在复杂解剖结构识别中的潜力，也为临床手术导航系统开发铺路。

（注：GitHub代码库https://github.com/saharsarkar/Multiclass-Vessel-Segmentation包含完整实现）