基于改进ResU-Net++的腹壁下深动脉CTA图像自动分割：面向DIEP皮瓣术前规划的深度学习研究

《Sensors》：SmartChargeNet: An Edge-Embedded Multi-Agent Sensor Intelligence Architecture for Real-Time Electric Vehicle Routing and Charging Infrastructure Coordination in Smart Urban Grids

　　

专业摘要翻译： 腹壁下深动脉（deep inferior epigastric artery, DIEA）在计算机断层血管造影（computed tomography angiography, CTA）上的精确分割对于腹壁下深动脉穿支（deep inferior epigastric perforator, DIEP）皮瓣乳房重建的术前规划至关重要。本研究建立了一个专门的DIEA数据集，并开发了一种用于自动分割的深度学习模型。研究人员从31例患者中筛选并标注了4446幅高分辨率腹部CTA图像，采用多评审者协议进行像素级标注。研究训练了一个改进的ResU-Net++模型，使用Tversky损失函数、AdamW优化器和余弦退火策略，并与U-Net、ResU-Net和ResU-Net++在准确率（Accuracy）、灵敏度（Sensitivity）、交并比（Intersection over Union, IoU）、Dice相似系数（Dice Similarity Coefficient, DSC）和豪斯多夫距离（Hausdorff Distance, HD）等指标上进行了比较。所提出的模型取得了DSC为0.6807、IoU为0.5556、灵敏度为0.7326的结果，在所评估的模型中这些指标均为最高值。完整的自动处理流程每幅图像所需时间显著少于手动分割所需时间。这些发现支持了在腹部CTA上实现DIEA自动分割的技术可行性，但其在DIEP皮瓣术前规划和临床工作流程中的潜在应用仍需进一步的前瞻性验证。

论文解读文章：

一、研究背景与问题

乳腺癌是主要的肿瘤学问题之一，其手术治疗日益重视肿瘤安全性以及美观和功能重建的最优化。自体组织乳房重建，尤其是腹壁下深动脉穿支（DIEP）皮瓣，具有更自然的对称性和质地优势，可提高患者满意度、改善心理社会健康和生活质量。计算机断层血管造影（CTA）是DIEP乳房重建术前评估血管解剖的金标准影像学手段。然而，传统方案中完成腹部CTA扫描后，需要外科医生或放射科医生使用多种后处理软件构建腹壁下深血管和腹壁的三维模型，这一过程高度依赖放射科医生对腹壁下深动脉（DIEA）的手动分割和标注。这种劳动密集且主观性强的流程不仅效率低下，还引入了显著的错误和不一致风险。在大规模医学影像数据处理中，手动分割极不实用，进一步加重了工作负担并降低了结果的可重复性和精确性。因此，开发DIEA的自动分割方法至关重要。

该任务面临多重挑战：首先，DIEA的解剖结构（如起点、走行和分支模式）存在显著的个体间变异；其次，部分CTA图像可能存在伪影、噪声或清晰度不足，这些混杂因素会遮蔽血管结构，增加识别难度并降低最终分割质量；此外，DIEA通常为细小血管，其强度和纹理特征与周围组织相似，导致影像上边界模糊且不清晰；最后，与已建立的其他医学影像数据集相比，DIEA的标注影像数据相对稀缺，阻碍了基于深度学习的自动分割算法的开发和稳健验证。

二、研究内容与结论

为解决上述未满足的临床需求，研究人员构建了一个专门的DIEA数据集，包含来自31例患者的4446幅高质量腹部CTA图像，每幅图像均由医学专家进行像素级手动标注。研究提出了一种针对该血管的新型血管分割网络——改进的ResU-Net++框架，并对其效能进行了全面评估。研究结果表明，该模型在Dice相似系数（DSC）达0.6807、交并比（IoU）达0.5556、灵敏度达0.7326，均优于U-Net、ResU-Net和ResU-Net++等基线模型。自动处理流程每幅图像所需时间显著短于手动分割时间，平均每幅图像节省19.84秒。该研究证实了自动DIEA分割在技术上的可行性，为DIEP皮瓣术前规划提供了潜在的临床应用价值，但其临床获益仍需前瞻性研究进一步验证。

三、关键技术方法

研究人员采用回顾性研究方法，收集了2011年1月至2021年7月期间在天津医科大学肿瘤医院乳腺重建与肿瘤整形外科接受DIEP皮瓣乳房重建患者的腹部CTA影像数据。使用64层IQon Spectral CT扫描仪（Philips Medical Systems）在动脉期采集图像，以碘帕醇为对比剂，扫描层厚0.8 mm。CTA数据使用3D Slicer软件（版本5.3.0）处理，选择DIEA显示最佳的动脉期序列，将连续轴位图像导出为PNG格式。标注采用LabelMe软件（版本5.4.1），每幅图像由三名外科医生独立分割，再由一名主管医师审核，未达成共识时由高级放射科医生最终裁定。标注范围包括双侧髂外动脉、双侧DIEA及其耻骨支、双侧旋髂深动脉。4446幅图像按7:2:1比例在图像层面随机划分为训练集、验证集和测试集。

算法方面，研究基于ResU-Net++构建了包含14,482,564个可训练参数的改进网络，在编码器三个下采样阶段前引入压缩激励（SE）模块进行通道重标定，在编码器末端和输出阶段前放置空洞空间金字塔池化（ASPP）模块以融合多尺度上下文信息，并设计了三个注意力模块结合编码器和解码器特征生成空间权重图。损失函数采用Tversky损失，设置α=0.7、β=0.3，对假阴性赋予更大权重以减少血管漏检和断裂。优化采用AdamW优化器（初始学习率0.001，权重衰减0.0001）配合余弦退火学习率调度。模型训练50个epoch，批大小为8，使用BF16自动混合精度，在WSL Ubuntu 22.04环境下基于Python 3.10.12、PyTorch 2.9.1+cu128和CUDA 12.8实现。评估使用灵敏度、IoU、DSC和豪斯多夫距离（HD）等指标，采用非参数bootstrap重采样（10,000次）估计95%置信区间，消融比较使用双侧Wilcoxon符号秩检验并施加Holm校正。

四、研究结果

数据集特征：最终研究队列包含31例患者（均为女性，平均年龄42.2±10.8岁），共筛选并标注了4446幅腹部CTA图像，构成专门的DIEA分割数据集。图像按7:2:1比例随机划分为训练集、验证集和测试集，由于单幅CTA图像可能包含多种血管结构，各标签的分布未严格遵循该比例。

分割性能：所提出的算法在DIEA及其相关血管分割中表现出色，在Dice和HD等关键指标上均优于U-Net、ResU-Net和ResU-Net++等对比网络。在训练过程中，改进模型在不同训练阶段均持续表现出更高的IoU值。

消融研究：完整模型取得了最高的Dice分数0.6985。分别去除SE模块、将ASPP替换为常规卷积块、移除注意力模块、将Tversky损失替换为BCE+Dice损失、将AdamW替换为Adam以及使用固定学习率，均导致Dice分数下降，降幅为0.73至7.19个百分点。经Holm校正后，SE、ASPP、注意力和余弦退火相关的图像层面Dice差异具有统计学显著性，而Tversky损失和AdamW相关的差异未达显著水平。

模型处理时间：完整的自动处理流程（包括数据加载、网络前向推理和后处理）每幅图像所需时间显著短于手动分割时间，经双侧Wilcoxon符号秩检验证实差异具有统计学意义，平均每幅图像处理时间减少19.84秒（95% CI，19.67–20.01秒）。

临床病例展示：研究人员选取了一例代表性腹部CTA病例进行定性验证。该模型成功识别并分割了DIEA，具有良好的空间连续性，血管走行与专家手动标注高度吻合。基于自动提取的血管信息进一步生成了DIEA的三维重建，并将其投影至患者腹部表面进行配准，为外科医生提供了血管走行及其与腹壁空间关系的直观可视化，有助于术前规划中识别DIEA的大致位置和走行并选择潜在合适的穿支血管。

五、讨论与结论

讨论部分指出，本研究为DIEA分割领域贡献了一个专门的CTA图像数据集，包含4000余幅高质量图像及像素级专家标注，为针对该血管的自动分割算法开发和评估提供了标准化基础。改进的ResU-Net++框架通过SE模块抑制腹壁复杂软组织的背景噪声、ASPP模块融合局部细节与全局上下文、注意力门控机制优化血管边界分割精度，并结合Tversky损失减少假阴性、AdamW优化器防止过拟合、余弦退火促进稳定收敛，系统性解决了DIEA分割中血管细小、对比度低、走行迂曲等核心难题。

研究局限性包括：尽管4446幅图像提供了充足的图像层面信息，但仅来源于单中心31例患者，使用单一CT扫描仪和采集协议，未进行外部验证，可能限制结果的泛化性；数据筛选中排除了图像质量差和对比度欠佳的病例，模型对此类复杂病例的处理性能未知；模型基于从DICOM导出的PNG图像开发，可能损失定量强度信息和DICOM元数据；数据集采用图像层面单一固定划分，未进行交叉验证，同一患者的图像可能出现在不同子集中，患者内相似性可能影响性能估计；研究未评估手术规划准确性、手术时间、手术并发症、皮瓣结局等临床终点。

结论：本研究构建了专门的DIEA分割CTA数据集，并评估了基于该数据集开发的自动分割模型，研究结果证明了在当前数据集内自动血管分割的技术可行性。进一步的多中心和前瞻性临床研究需评估其泛化性，并确定自动分割能否改善DIEP皮瓣术前规划或临床结局。