《Array》：Automated 3-D carotid vessel-wall segmentation in black-blood MRI using a multilevel, context-aware deep learning approach
编辑推荐：
本期《Array》推荐一项创新研究。为解决颈动脉粥样硬化患者血管壁厚度精确测量难题，研究人员开发了一套基于EfficientNet?UNet++的多层级深度学习方法，实现了3D黑血MRI中血管壁的自动分割。该模型在COSMOS 2022测试集上DICE相似系数达0.8704，优于现有先进方法，为临床监测动脉粥样硬化提供了更可靠、高效的解决方案。
动脉粥样硬化（atherosclerosis）是全球范围内导致死亡的主要原因，其特征是动脉壁内斑块的积累，进而引发管腔狭窄，增加中风等心血管事件的风险。准确测量颈动脉血管壁厚度对于监测动脉粥样硬化患者的病情进展至关重要。传统的血管壁评估方法，如二维内膜-中膜厚度测量，往往因动脉壁的外向重构而低估疾病的真实负担。虽然黑血血管壁成像（black blood vessel wall imaging, BB?VWI）磁共振成像（MRI）能有效可视化正常和病变的动脉及粥样硬化病变，无需电离辐射或对比剂，但准确评估血管壁厚度仍面临挑战。这主要是因为手动分割过程既繁琐又高度依赖于操作者的经验，存在较大的观察者内和观察者间变异。此外，自动分割技术在处理复杂的粥样硬化病变和曲折的动脉几何形态时也常常遇到困难。与其它医学分割任务不同，血管壁的厚度通常仅为1毫米，仅占整个图像区域的不到0.1%，且动脉的尺寸在不同切片之间可能发生剧烈变化。因此，开发一种高精度、全自动的血管壁分割方法，对于改善动脉粥样硬化的诊断与管理、减轻医疗专业人员的负担、并最终改善患者预后具有重要的临床意义。
为此，研究人员在《Array》上发表了一项研究，提出了一种全自动的、基于深度学习的分割框架，旨在为MRI中颈动脉血管壁厚度的测量提供实用且准确的解决方案。该研究采用了一种多层级的EfficientNet?UNet++架构，该架构以逐切片为基础进行操作，并融入了上下文信息。方法包含四个不同层级的基本步骤：首先，从MRI中提取非黑色区域；其次，利用局部三维上下文识别感兴趣区域（region of interest, ROI）；接着，对分割出的ROI周围区域进行上采样，聚焦于血管壁及其周围组织；最后，对上采样后的ROI进行重新分割，以提取血管的更精细细节。
本研究采用了几项关键技术方法。研究在公开的COSMOS 2022挑战数据集（包含来自75名患者的2718张标注切片）上进行了评估。技术核心是一个结合了EfficientNet B4（编码器）和UNet++（解码器）的深度学习分割架构。该方法采用了两阶段（高层级和低层级）的多层级分割流程。高层级模型在去除非黑色像素区域后的连续三张切片（当前切片及其前后相邻切片）上进行训练，用于初步定位血管壁并确定ROI。随后，系统自动裁剪包含ROI的区域（附带15像素的边缘），并将其上采样至256×256像素，再与相邻切片结合，形成3×256×256的输入矩阵，供低层级模型进行精细分割，以获取精确的血管壁和管腔轮廓。模型使用Focal Loss作为损失函数，并进行了包括随机翻转、旋转、添加高斯噪声等多种数据增强。实验在一台配备NVIDIA GeForce RTX 5090 GPU的工作站上使用PyTorch框架实现。
1. 多层级模型的有效性
通过比较单步模型与多层（两阶段）模型在完整测试集、分叉附近切片以及含斑块切片上的性能，研究人员评估了多层级设计的贡献。结果显示，引入第二阶段分割后，DICE相似系数在完整测试集上从0.8352提升至0.8704，在分叉附近从0.8132提升至0.8534，在含斑块切片上从0.8561提升至0.8699。统计分析（配对t检验）证实了这种提升具有统计显著性。这表明，先通过高层级模型粗略定位，再通过低层级模型在更高分辨率的局部区域进行精细分割的策略，能有效提升分割精度，尤其是在形态复杂的区域。
2. 局部上下文信息的作用
研究人员探究了融入相邻切片（前一帧和后一帧）的上下文信息对模型性能的影响。实验比较了仅使用单张切片与使用三张连续切片（带上下文信息）作为输入时，低层级模型在不同测试场景下的表现。结果表明，融入上下文信息能普遍提升结果。在完整数据集上，DICE系数从0.8658微增至0.8704；而在上下文信息至关重要的区域，如分叉附近（从0.8404增至0.8534）和斑块附近（从0.8614增至0.8699），提升更为明显。这证实了利用三维空间连续性有助于模型更好地理解血管结构，尤其是在解剖形态变化较大的区域。
3. 输入图像分辨率的影响
研究分析了低层级模型输入图像分辨率对分割效果的影响，测试了从接近原始尺寸（64×64像素）到更高分辨率（128×128, 256×256, 512×512像素）的多种设置。结果显示，DICE系数随着分辨率从64×64提升至256×256而持续改善，在256×256时达到峰值（0.8704），随后在512×512时略有下降（0.8593）。在分叉和斑块区域也观察到相同趋势。这表明，在计算资源允许的范围内，适当提高输入分辨率能让模型捕捉更多细节，从而提升分割精度，但过高的分辨率可能导致模型过拟合或训练不稳定，反而不利于性能。
结论与讨论
本研究提出了一种用于3D黑血MRI颈动脉血管壁分割的全自动、多层级深度学习方法。该方法的核心创新在于其层级化处理流程：首先通过高效地去除背景并利用局部3D上下文粗略定位血管，随后在裁剪并上采样的高分辨率ROI上进行精细分割。实验证明，该方法在公开的COSMOS 2022数据集上超越了包括nnU?Net、Hu等人的标签传播方法以及DBF?UNet在内的现有先进方法，取得了最高的DICE相似系数（0.8704）。
研究的重要意义在于多方面：首先，方法学上，它证实了结合EfficientNet的编码能力与UNet++的解码能力，并采用多层级、上下文感知的策略，能有效应对血管壁薄、占比小、形态多变的分割挑战。其次，临床上，该框架完全自动化，无需人工干预进行动脉定位或初始化，显著降低了操作者依赖性，提高了分割效率（完整3D体积在GPU上仅需约0.65秒），有望集成到临床工作流中，用于动脉粥样硬化的精准监测和生物标志物（如血管壁体积、标准化管壁指数）的自动计算。最后，研究设计上，论文通过系统的消融实验，明确了多层级设计、局部上下文信息和最佳输入分辨率各自对性能的贡献，为后续研究提供了清晰的优化方向。
尽管该方法表现出色，论文也指出了当前的一些局限。例如，研究仅在单一中心的特定MRI序列（3D VISTA）数据上进行了验证，其泛化能力有待在不同扫描仪、协议和人群中进行进一步测试。此外，方法主要关注血管壁区域的整体分割，对于斑块成分的细分和表征未做深入探讨。未来的工作可以朝着融合更多模态信息、探索更高效的网络架构，以及在更大规模、多中心数据集上验证鲁棒性的方向发展。总体而言，这项研究为颈动脉血管壁的自动、准确分割提供了一种强有力的新工具，推动了医学图像分析在心血管疾病管理中的应用。
