一种面向解剖学一致的血管内超声分割的层次感知多标签框架

《Engineering Applications of Artificial Intelligence》：A hierarchy-aware multi-label framework for anatomically consistent intravascular ultrasound segmentation

　　

摘要

血管内超声（IVUS）分割通常被定义为单标签多类任务，其中每个像素被分配到一个类别。这种设置不符合冠状动脉的嵌套解剖结构，因为管腔被中膜包围，而斑块组分位于二者之间的环形区域。我们提出了一种层次感知的多标签框架，用于IVUS血管和斑块分割。数据集包含来自113名患者的2079帧IVUS图像。共标注了七种前景类别，其中六种用于主要评估。侧支血管作为辅助类别保留，未纳入mDice和mIoU的计算。所有实验均采用患者级别的五折交叉验证。在受控的DeepLabV3+消融实验中，单标签交叉熵加Dice基线达到了0.5893 ± 0.0019的平均Dice系数，原始解剖违规率为7.09% ± 0.52%。多标签变体将平均Dice系数提升至0.7257–0.7372，并将原始违规率降低至0.11%–0.19%。在相同的多标签设置下评估的16种架构中，Attention U-Net达到了最高的平均Dice系数0.7381 ± 0.0059。所提出的标签公式化方法在本内部验证中提高了分割精度和解剖一致性，但其泛化性需要外部验证。

引言

冠状动脉疾病仍然是主要的临床负担。血管内超声（IVUS）可提供冠状动脉的实时横断面图像，用于评估管腔大小、斑块负荷、血管重塑和支架膨胀（Stone et al., 2024, Lee et al., 2023）。IVUS图像还用于基于图像的生理学分析，包括血流储备分数估计（Zheng et al., 2025）。然而，定量IVUS分析仍主要依赖于血管层和斑块组分的手动或半自动分割。这一过程耗时且依赖观察者，即使遵循标准化解释指南也不例外（Mintz et al., 2001）。因此，自动分割方法应提供与冠状动脉解剖结构一致的可重复血管和斑块掩膜。

深度学习已被广泛应用于医学图像分割，并已应用于IVUS分析（Nishi et al., 2021）。大多数IVUS研究将分割定义为单标签多类任务，其中每个像素通过softmax被分配到一个类别。这种公式化方法适用于不重叠的目标，如传统的管腔和血管边界勾画。然而，IVUS结构是嵌套的：管腔位于中膜内部，斑块组分则位于管腔与外血管边界之间的血管壁区域。互斥的标签图无法直接表示这种包含关系。如果将中膜定义为外血管边界所包围的完整区域，则管腔像素和斑块像素都应包含在中膜掩膜中。标准的softmax输出无法直接表示这种关系，因为一个像素只能接收一个类别标签。这种不匹配还可能导致解剖学上无效的预测，例如中膜以外的管腔像素或血管区域以外的斑块像素。

先前的研究利用形状先验、基于图的细化方法、主动轮廓法、水平集方法以及专门的后期处理来减少此类错误（Unal et al., 2008, Sun et al., 2013, Zakeri et al., 2017, Yang et al., 2018, Bohlender et al., 2021）。这些方法可以改善边界平滑度和结构合理性。然而，这些方法通常在预测之后应用，且其成功往往取决于初始分割结果和任务特定的假设。

斑块表征为考虑更灵活的标签公式化方法提供了另一个理由。动脉粥样硬化斑块具有异质性，不同的组织组分可能在同一病变中共存或在区域间逐渐变化。混合斑块已在IVUS队列中被报告（Katouzian et al., 2012）。多标签表示在原则上允许与斑块相关的通道在像素级别上重叠。然而，当前数据集未提供混合斑块的系统性像素级标注。因此，我们并未直接验证混合斑块共存。相反，我们评估了六类分割性能和预定义的解剖违规率，侧支血管仅作为辅助标注类别保留。支持重叠斑块标签仍然是该框架的一个潜在优势，也是未来工作的方向。

多标签学习和约束感知建模已在更广泛的医学图像分割任务中得到探索，包括重叠器官分割、多器官分割和结构正则化（Lempart et al., 2022, Rei? et al., 2021, Bohlender et al., 2021）。形状感知和一致性方法也被提出以改善边界质量和结构一致性（Zhou et al., 2026, Han et al., 2025）。然而，这些方法主要是为一般解剖或病变分割任务设计的，而非IVUS图像中所示的嵌套冠状动脉解剖结构。在IVUS研究中，大多数深度学习研究仍使用互斥标签进行管腔和血管分割，或在斑块分析中使用单标签设置。层次感知的多标签公式化方法能否在相同基准下改善IVUS血管和斑块分割仍不清楚。

在本研究中，我们将IVUS血管和斑块分割公式化为层次感知的多标签问题。中膜通道代表外血管边界所包围的完整区域。管腔通道代表中膜内部的血流区域。与斑块相关的通道定义为中膜掩膜内、管腔掩膜外的区域。与基于softmax的单标签分割不同，这种公式化方法使用独立的sigmoid输出，可以直接表示嵌套的解剖掩膜。随后在最终掩膜上应用确定性的基于规则的校正步骤，以强制执行预定义的解剖关系。

本研究被设计为受控的经验基准测试，而非新的神经网络架构。我们首先在相同的DeepLabV3+骨干网络和基本数据增广条件下，比较了单标签与层次感知的多标签公式化方法。我们还考察了不同损失函数的效果。选择DeepLabV3+作为参考骨干网络，是因为它被广泛应用于分割任务，并提供了稳定的设置以隔离标签公式的影响。在层次感知的多标签框架下，我们进一步评估了多种增广策略，并使用严格的患者级别五折交叉验证比较了16种代表性分割架构。在内部基准测试中，多标签公式化方法减少了原始预测中的解剖违规，并提高了六类分割性能。Attention U-Net在所评估的架构中取得了最高的平均Dice系数，因此被用于最终的逐类别分析。我们将七种标注的前景类别与六种主要评估类别区分开来，侧支血管作为辅助类别处理。结果应谨慎解读，因为数据集来自单一中心，且未包含系统性的像素级混合斑块标注。

章节摘录

相关工作

IVUS自动分析已被广泛研究，用于评估血管形态和表征斑块组分。现有研究改进了管腔和血管边界勾画、斑块表征和计算效率。然而，大多数方法仍使用互斥的单标签分割或依赖后期处理校正来提高解剖合理性。本节回顾了基于深度学习的IVUS分割、斑块表征等相关工作，

数据

数据集包含来自113名患者的2079帧IVUS图像。本节描述数据采集、标注、类别定义和数据集统计。

方法

本研究将IVUS血管和斑块分割公式化为层次感知的多标签问题。其目标不是设计新的分割网络，而是检验改变标签公式能否提高分割性能和解剖一致性。在这种设置中，嵌套的血管结构和斑块类别被表示为独立的二值通道。预测后应用轻量级的基于规则的校正步骤以强制执行解剖约束。所有

结果

本部分的所有分割指标均针对六种主要类别计算：中膜、管腔、导丝伪影、脂质斑块、纤维斑块和钙化斑块。侧支血管作为辅助标注类别保留，未纳入mDice或mIoU的计算。定量结果报告为五个患者级别交叉验证折的平均值 ± 标准差。原始违规率在确定性解剖校正之前测量，校正后的违规率为

主要发现

本研究在患者级别五折交叉验证下评估了用于IVUS血管和斑块同时分割的层次感知多标签公式化方法。用基于sigmoid的多标签输出取代传统的互斥单标签公式，在本内部基准中产生了更高的通道级mDice和更少的原始解剖违规。在受控的DeepLabV3+消融实验中，所有多标签变体的mDice均高于单标签基线。

结论

本研究将IVUS血管和斑块分割重新公式化为层次感知的多标签问题，并在严格的患者级别五折交叉验证下进行了评估。与互斥的单标签基线相比，多标签公式化方法提高了六类分割性能，并在校正前减少了原始解剖违规。在应用预定义的校正规则后，所有评估设置下的校正后违规率均为0.00% ± 0.00%。

这些

CRediT作者贡献声明

郝美兰：写作 – 审阅与编辑，写作 – 原始草稿，验证，监督，项目管理，调查研究，资金获取，概念构思，方法论，可视化，数据管理。周凯：写作 – 审阅与编辑，写作 – 原始草稿，方法论，调查研究，验证，数据管理，形式分析，可视化。郝瑞兰：写作 – 审阅与编辑，资源，调查研究，数据管理。赵宇军：写作 – 审阅与编辑，资源，

伦理审批与参与知情同意

所有患者均提供了书面知情同意，该研究方案经邯郸康港医院医学伦理委员会批准（批准编号：HGYY-KYLX-2025-040；批准日期：2025年9月28日）。

生成式AI和AI辅助技术在稿件准备过程中的声明

在本工作的准备过程中，作者使用了GPT-5.5协助数据分析和文献检索。使用该工具后，作者按需审阅和编辑了内容，并对已发表文章的内容承担全部责任。

资金

本工作由邯郸市科技研发项目（资助编号：25422083079）和中国科学院基础研究青年科学家项目（编号：YSBR-090）资助。

利益冲突声明

作者声明不存在已知可能影响本论文所述工作的竞争性经济利益或个人关系。

致谢

作者感谢中国邯郸康港医院心内科提供临床数据。

郝美兰 | 周凯 | 郝瑞兰 | 赵宇军 | 王红 | 宁鑫