基于时空一致性感知网络的X射线血管造影肾动脉分割研究

为解决X射线血管造影视频中肾动脉分割的难题（受对比剂浓度动态变化和血管形态学差异影响），研究人员开发了TCA-Net深度学习模型。该模型通过局部时间窗血管增强模块和全局血管优化模块(GVR)，结合视频级/对象级注意力机制，在195例训练数据和44例外部测试中取得0.8678的F1值，为肾交感神经消融术(RDN)评估提供了更可靠的量化工具。

　　

在X射线血管造影视频中精确勾勒肾动脉轮廓，对评估肾交感神经消融术(RDN)疗效至关重要。然而对比剂(contrast agent)的动态灌注和血管三维结构的二维投影变异，导致传统分割方法难以保持帧间一致性。这项研究提出的时空一致性感知网络(TCA-Net)创新性地融合了多尺度时空特征：局部时间窗模块通过分析相邻帧的时空上下文增强当前帧血管语义表征，而全局血管优化模块(GVR)则采用解耦注意力策略——视频级注意力捕捉长程时序依赖，对象级注意力聚焦关键血管段，配合门控机制消除冗余信息。训练过程中引入的时序感知一致性损失函数，进一步约束模型输出符合血管生理动态特性。在包含195例开发集和44例外部验证集的实验中，该模型以86.78%的F1值显著超越现有方法，其生成的连续帧分割结果展现出优异的形态学一致性，为RDN手术规划提供了可靠的量化分析基础。