面向平扫CT内脏动脉瘤筛查的解剖结构引导多任务框架

《Medical Image Analysis》：Anatomy-informed multi-task framework for visceral artery aneurysm screening on non-contrast CT

　　

• 提出首个基于非对比 CT（NCCT）的内脏动脉瘤筛查框架。
• 开发解剖耦合扫描变形，用于拓扑感知的 Mamba 传播。
• 引入分层解剖监督，用于血管和病变感知学习。
• 在习得的嵌入空间中设计基于原型的假阳性减少方法。
• 实现跨队列的分割准确性和筛查敏感性提升。

**引言**

内脏动脉瘤（VAAs）是临床显著的血管异常，因为破裂会导致严重的腹腔内出血和高死亡率 (Obara et al., 2020)。尽管 VAAs 的患病率低于腹主动脉瘤（AAAs），但一旦发生破裂，其临床后果可能同样严重 (Messina and Shanley, 1997)。因此，准确和及时的识别对于风险分层和临床管理至关重要。在日常实践中，疑似血管病变通常使用对比增强成像进行评估，这可以清晰地描绘动脉管腔并促进形态评估，如图 1 所示。然而，并非所有腹部 CT 研究都会进行对比增强检查，且对于某些患者可能禁忌 (Mansoor et al., 2015)。相比之下，非对比 CT（NCCT）广泛可用，常因多种腹部指征而采集，构成了日常成像工作量的很大一部分 (Patel et al., 2019, Hu et al., 2025, Cao et al., 2023)。尽管 NCCT 不会明确增强血管管腔，但它仍保留了腹腔的解剖结构和空间关系 (Yu et al., 2022)。因此，内脏动脉的细微几何扩张原则上可能仍然可检测，前提是提供了足够的结构建模。使用 NCCT 进行自动化 VAA 筛查可以在不增加成像负担的情况下扩大监测覆盖率，对于大规模机会性筛查极具价值。这造成了一个明确的临床差距：NCCT 丰富且广泛可用，但 NCCT 上可靠的自动化 VAA 筛查仍然缺失。

从算法层面来看，大多数关于动脉瘤分析的既往工作集中在 AAA 上，主要在对比增强 CTA 中 (Caradu et al., 2022)。早期方法依赖于主动脉管腔和血栓的交互式或半自动分割 (De Bruijne et al., 2004, Lareyre et al., 2019)。最近的深度学习方法提高了 CTA 上的 AAA 分割、量化和筛查 (Spinella et al., 2023, Roby et al., 2025a, Roby et al., 2025b, Wan et al., 2024, Weiss et al., 2026)。这些方法受益于两个有利条件：腹主动脉很大，且对比增强使管腔容易与周围组织分离。基于 NCCT 的 VAA 筛查有根本不同。内脏动脉要细得多，更曲折，且嵌入在复杂的腹部解剖结构中。在 NCCT 中，动脉瘤通常表现为细微的局部扩张，而不是强烈的强度变化。因此，为 CTA 上的 AAA 设计的方法不能直接转移到 NCCT 上的 VAA 筛查。尽管 NCCT 广泛可用，这个问题在很大程度上仍未得到探索。

基于 NCCT 的 VAA 筛查在临床和技术上都是挑战性的。首先，NCCT 中的血管结构缺乏明确的管腔增强，动脉瘤与相邻血管主要通过细微的几何变化而非外观对比来区分。这使得拓扑一致的建模比强度驱动的分割更重要 (White et al., 2000, Feyen et al., 2022)。其次，细长的连续血管结构需要长程依赖建模，但现有的基于序列的模型仍然依赖于固定的网格对齐扫描。在这种扫描顺序下，序列中的相邻标记可能对应解剖上断开的血管区域，这削弱了一致的传播，即使在强大的骨干如 Mamba 中也是如此 (Liu et al., 2025, Ma et al., 2024)。第三，VAAs 小、稀疏且高度依赖位置 (Zhang et al., 2024)。它们很容易与正常分支、扭曲段或其他局部血管变异混淆。有效的基于 NCCT 的 VAA 筛查因此需要一个统一的框架，该框架能够保持血管连续性，编码解剖上下文，并提高对细微病变的敏感性 (Deng et al., 2025)。

为了解决这些挑战，我们提出了一种用于 NCCT 上 VAA 筛查的解剖知情多任务框架。该框架在训练期间耦合血管和动脉瘤分割，使得动脉瘤扩张是在其支持动脉拓扑结构内学习的，而不是单独建模。通过将机会性筛查定义为体素级分割任务，我们为网络提供了细粒度监督信号和丰富的解剖上下文，驱动模型产生更解剖合理的预测。在该框架中，我们将基于 NCCT 的 VAA 筛查公式化为结构约束的表示学习问题，其中病变几何形状、解剖语义和血管连续性必须联合建模，而不是被视为孤立的线索。具体而言，该框架针对每个级别由三个关键组件组成。在几何级别，我们引入了解剖耦合扫描变形（Anatomy-Coupled Scan Deformation），用适应血管结构的扫描路径取代固定的光栅遍历，并在不改变原始状态空间动力学的情况下启用拓扑一致的长程建模。在语义级别，我们设计了分层解剖监督（Hierarchical Anatomical Supervision），将全局血管位置语义和局部病变感知信号注入共享嵌入空间。最后，在推理级别，我们应用基于原型的假阳性减少（Prototype-Based False Positive Reduction），使用特征空间原型来抑制形态上混淆的困难负样本。共同地，这些组件为基于 NCCT 的 VAA 筛查的主要故障模式提供了解决方案，即血管连续性中断、病变区分弱和持续的假阳性，从而带来更解剖一致和健壮的筛查框架。内部和外部队列的大量实验表明，与强基线相比，病变分割、筛查敏感性和跨中心泛化能力均得到改善。具体而言，我们的贡献总结如下：

• 我们提出了一种用于非对比 CT（NCCT）上 VAA 筛查的解剖知情框架，将该任务公式化为结构约束的表示学习，在统一流水线中联合建模血管连续性、病变几何形状和解剖语义。
• 我们在几何层面引入了解剖耦合扫描变形（ASD），用于拓扑一致的长程传播，并在语义层面引入了分层解剖监督（HAS），用于多级别解剖指导，提高对细微动脉瘤模式的敏感性。
• 我们开发了基于原型的假阳性减少（PFPR）作为推理阶段的细化模块，利用解剖原型来抑制虚假检测并在无需额外重新训练的情况下提高筛查特异性。

**章节片段**

**内脏动脉瘤筛查**

基于 NCCT 的 VAA 筛查旨在不使用对比剂检测动脉扩张。该任务对于机会性筛查具有临床重要性，因为破裂会导致严重出血和高死亡率。然而，NCCT 上的 VAA 筛查由于血管可见性弱和病变形态细微而极具挑战性。大多数关于自动化动脉瘤分析的既往工作集中在 AAAs 上，主要在 CTA 扫描中。早期方法使用统计形状模型和水平集方法来

**预备知识：状态空间模型**

U-Mamba (Ma et al., 2024) 将卷积编码与选择性状态空间建模 (SSM) 相结合，以捕捉体积医学图像中的局部空间模式和长程依赖关系。给定 3D 特征张量 $F \in \mathbb{R}^{C \times H \times W \times D}$，标准 SSM 块通过固定的光栅遍历将其重塑为 1D 标记序列：$S = \mathcal{R}(F), S \in \mathbb{R}^{C \times N}, N = HWD$，其中 $\mathcal{R}(\cdot)$ 表示行优先扁平化。序列通过线性状态转换处理：
$h_{i+1} = \mathcal{A}_i h_i + \mathcal{B}_i s_i$
其中 $s_i \in \mathbb{R}^C$ 表示第 $i$ 个标记，

**数据集**

数据来自两个中心：浙江大学医学院附属第一医院（A 医院）和安吉县人民医院（B 医院）。A 医院包含 1511 例病例，作为内部队列，包括 1259 例用于训练，50 例用于构建真阳性和假阳性原型，202 例用于内部评估。B 医院贡献了 379 例病例，仅用于外部测试。对于每个受试者，既有 NCCT 和

**结论**

本文提出了一种用于 NCCT 上 VAA 分割和筛查的解剖知情框架。该方法旨在解决三个关键难点：血管对比度弱、血管拓扑复杂和频繁的假阳性预测。为此，我们结合了扫描变形用于拓扑感知传播，分层解剖监督用于表示学习，以及基于原型的细化用于假阳性减少。内部和外部队列的实验表明，CRediT 作者贡献声明

**CRediT 作者贡献声明**

Zhuowei Xu: 撰写 - 初稿，验证，方法论，形式分析，概念化。Tianyi Liu: 撰写 - 初稿，方法论，形式分析，概念化。Long Bai: 撰写 - 初稿，指导，资源，项目管理，方法论，调查，概念化。Hongqiu Wang: 方法论，概念化。Jianfeng Zhang: 形式分析，数据管理。Zirui Wang: 验证，形式分析。Han Li: 验证，软件。Yujian Hu:

**利益冲突声明**

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Nassir Navab 教授和 S. Kevin Zhou 教授担任《Medical Image Analysis》期刊的副主编。鉴于其副主编的角色，他们没有参与本文的同行评审，也没有接触到有关其同行评审的信息。本文的编辑过程全权委托给

Zhuowei Xu|Tianyi Liu|Long Bai|Hongqiu Wang|Jianfeng Zhang|Zirui Wang|Han Li|Yujian Hu|Min Zhou|Jianwen Ning|Minfeng Xu|Hongkun Zhang|Nassir Navab|S. Kevin Zhou