《Sensors》：Automated Segmentation of the Deep Inferior Epigastric Artery on CTA Using Deep Learning for Preoperative Planning of DIEP Flap Breast Reconstruction
编辑推荐：
腹壁下深动脉（deep inferior epigastric artery，DIEA）在CT血管成像（computed tomography angiography，CTA）上的精确分割对于腹壁下深动脉穿支（deep inferior epigastric
腹壁下深动脉（deep inferior epigastric artery，DIEA）在CT血管成像（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。这项回顾性研究建立了一个专用的DIEA数据集，并开发了一种用于自动化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，采用多评审者方案在像素级别进行标注。研究人员使用Tversky损失、AdamW优化和余弦退火训练了一个改进的ResU-Net++模型，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）方面进行了比较。所提出的模型取得了0.6807的Dice相似系数（DSC）、0.5556的IoU和0.7326的灵敏度，在所评估的模型中这些指标均为最高值。完整的自动化处理流程每幅图像需要 s，而手动分割需要 s（）。这些发现支持在腹部CTA上实现DIEA自动化分割的技术可行性。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：基于深度学习的腹壁下深动脉CTA自动化分割用于DIEP皮瓣乳房重建术前规划
一、研究背景与问题
乳腺癌始终是主要的肿瘤学关注对象，其外科治疗在追求肿瘤安全性的同时，日益重视美学与功能重建的优化。自体组织乳房重建，尤其是腹壁下深动脉穿支（deep inferior epigastric perforator，DIEP）皮瓣，因其能提供更自然的对称性和质地，从而带来更高的患者满意度、改善心理社会健康及性健康，而受到广泛青睐。CT血管成像（computed tomography angiography，CTA）是DIEP乳房重建术前评估血管解剖的金标准影像学手段。在传统流程中，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应用构建腹壁下深血管及腹壁的三维模型。这一传统图像分析过程高度依赖放射科医生对腹壁下深动脉（deep inferior epigastric artery，DIEA）进行手动分割和标注。该过程劳动密集且具有主观性，不仅效率低下，还引入了显著的潜在错误和不一致风险。在处理大规模医学影像数据时，这一挑战被进一步放大，使手动分割变得极不现实，进而加重了工作负担，降低了结果的可重复性和精确性。因此，开发DIEA的自动化分割方法至关重要。
然而，该任务面临诸多挑战。首先，DIEA的解剖结构，如其起源、走行和分支模式，存在显著的个体间差异。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，使其更难识别，从而影响最终分割质量。此外，DIEA通常是纤细的血管，其强度和纹理特征与周围组织相似，导致影像上边界模糊、显示不清。与其他已建立的医学影像数据集不同，针对DIEA的标注影像数据相对稀缺，这阻碍了基于深度学习的自动化分割算法的开发和稳健验证。
二、研究内容与结论
为解决上述需求，本研究构建了一个专用的DIEA数据集，该数据集来源于4446幅高分辨率患者腹部CTA扫描图像，每幅图像均由医学专家进行像素级手动标注。研究人员提出了一种针对该血管的新型血管分割网络，并对其效能进行了全面评估。
三、主要技术方法
研究人员采用改进的ResU-Net++网络作为分割模型，该网络包含14482562个可训练参数。网络架构引入了压缩激励（Squeeze-and-Excitation，SE）模块、空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）模块和注意力门控（Attention Gate）机制。训练策略上，采用Tversky损失函数以缓解血管分割中的类别不平衡和血管不连续问题，使用AdamW优化器并配合余弦退火学习率调度以提升泛化能力和收敛精度。研究数据来源于2011年1月至2021年7月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皮瓣乳房重建的连续患者，最终纳入31例女性患者（平均年龄42.2±10.8岁），共4446幅腹部CTA图像，按7:2:1比例随机分为训练集、验证集和测试集。所有图像均使用3D Slicer软件从DICOM数据导出为PNG格式，并由三名外科医生独立分割、一名主管医生审核、必要时由资深放射科医生最终裁定。
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），共整理并标注了4446幅腹部CTA图像，构成专用DIEA分割数据集。图像按7:2:1比例随机划分，由于单幅CTA图像可能包含多个血管结构，特定标签的分布未严格遵循该比例。
分割性能： 本研究所提出的算法在DIEA及其相关血管的分割中表现出强劲性能。与U-Net、ResU-Net和ResU-Net++等其他分割网络相比，该模型在Dice相似系数（Dice Similarity Coefficient，DSC）和豪斯多夫距离（Hausdorff Distance，HD）等关键指标上均取得了更优的分割性能。在训练过程中不同步骤的对比分析中，增强型模型持续表现出更高的交并比（Intersection over Union，IoU）值。
消融研究： 完整模型取得了最高的Dice分数0.6985。分别消融SE模块、将ASPP替换为常规卷积块、移除注意力模块、用BCE+Dice损失替代Tversky损失、用Adam替代AdamW以及使用固定学习率，均导致Dice分数下降，降幅从0.73到7.19个百分点不等。经Holm校正后，与SE、ASPP、注意力和余弦退火相关的图像级Dice差异具有统计学显著性，而与Tversky损失和AdamW相关的差异则不显著。
模型处理时间： 完整的自动化处理流程（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少于手动分割。以图像为分析单位，双尾Wilcoxon符号秩检验显示自动化处理显著快于手动分割，每幅图像的平均处理时间减少了19.84秒（95%置信区间，19.67–20.01秒）。
临床病例演示： 研究人员选取了一例具有代表性的腹部CTA病例，定性展示了所提出分割框架的临床适用性。该模型成功识别并分割了DIEA，具有良好的空间连续性，生成的血管轨迹与专家手动标注在视觉上高度吻合。除二维分割结果外，自动提取的血管信息还被用于生成DIEA的三维重建，并将重建血管投影到患者腹部表面进行配准，为外科医生在术前规划中识别DIEA的大致位置和走行以及选择潜在合适的穿支提供了直观可视化。
五、讨论与结论
本研究为DIEA分割领域贡献了一个专用的CTA图像数据集，包含4000多幅高质量图像，每幅均具有医学专家进行的像素级手动标注，为针对该血管的自动化分割算法的开发与评估奠定了关键基础。所提出的改进ResU-Net++框架通过系统性地将临床分割挑战和解剖先验知识编码进模型设计与训练策略中，在DIEA分割任务上相较基线架构取得了更优的Dice、IoU和灵敏度。SE模块通过通道级重校准有效抑制了腹壁复杂软组织的背景噪声并增强了血管特征；ASPP模块通过多尺度空洞卷积整合局部细节与全局上下文；注意力门控机制利用深层语义特征过滤浅层特征，使模型在重建过程中聚焦于血管边界。
本研究存在若干局限性。首先，4446幅CTA图像虽提供了大量图像级信息，但仅来源于单中心的31例患者，且使用单一CT扫描仪和采集协议，独立临床样本量和影像多样性有限，且未进行外部验证，可能限制所报告性能的泛化性。其次，数据筛选过程中排除了图像质量差和对比剂充盈不佳的病例，模型处理此类复杂病例的性能尚属未知。第三，模型基于从原始DICOM数据导出的PNG图像开发，可能导致定量强度信息和DICOM元数据丢失。此外，数据集采用图像级单一固定划分，未进行交叉验证，同一患者的图像可能被分入不同子集，患者内相似性可能影响性能估计，且未评估患者级性能分布。最后，本研究聚焦于标准化数据库构建和算法开发，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，自动化血管分割的潜在临床获益仍需前瞻性临床研究证实。
研究结论：本研究构建了用于DIEA分割的专用CTA数据集，并评估了基于该数据集开发的自动化分割模型。研究结果证明了在当前数据集内自动化血管分割的技术可行性。仍需进一步的多中心前瞻性临床研究来评估其泛化性，并确定自动化分割是否能改善DIEP皮瓣术前规划或临床结局。
