《Pattern Recognition》:SFD-Mamba2Net: Structure-Guided Frequency-Enhanced Dual-Stream Mamba2 Network for coronary artery segmentation
编辑推荐:
•提出SFD-Mamba2Net用于ICA血管分割和狭窄检测。•CASE模块通过曲率感知的结构先验增强管状结构。•AA-DS Mamba2通过双流状态空间设计捕获长程依赖。•PHFP模块通过多级小波分解恢复精细血管细节。•在三个大规模ICA数据集上取得了最先进的性能。引言冠状
- •
提出SFD-Mamba2Net用于ICA血管分割和狭窄检测。
- •
CASE模块通过曲率感知的结构先验增强管状结构。
- •
AA-DS Mamba2通过双流状态空间设计捕获长程依赖。
- •
PHFP模块通过多级小波分解恢复精细血管细节。
- •
在三个大规模ICA数据集上取得了最先进的性能。
引言
冠状动脉疾病(CAD)由动脉粥样硬化斑块导致血管狭窄或闭塞引起,减少心肌灌注,仍然是全球心血管死亡的主要原因[1]。有创冠状动脉造影(ICA)是CAD诊断和治疗计划的临床金标准[2],能够直接可视化冠状动脉解剖结构和狭窄严重程度。然而,手动ICA解读耗时且主观性强,受医师经验、投影角度和复杂血管形态的强烈影响,从而削弱了诊断的一致性和准确性[3]。
近年来,冠状动脉分割和狭窄检测引起了越来越多的关注[4],为CAD评估提供了可重复的证据。然而,基于ICA的分析仍面临三个主要挑战:低对比度和噪声掩盖动脉边界,多尺度分支和细长形态(尤其是<2像素的毛细血管)阻碍精确勾勒,以及投影角度和心脏运动变化导致血管外观多样,限制了模型的泛化能力。同时,针对ICA中背景干扰和低对比度的优化通常依赖传统图像处理技术[5],这些方法虽然能有效抑制动态背景干扰,但缺乏端到端学习能力和跨数据集泛化能力。
大多数现有用于ICA分割的深度学习方法基于U-Net[6]或Transformer[7]。虽然U-Net在局部特征提取方面表现出色,但其有限的感受野阻碍了长程依赖建模,常导致分叉处出现不连续(参见TransUNet[8]中的图1(c))。Transformer通过全局自注意力缓解了这一问题,但其二次的计算和内存消耗限制了其在高分辨率ICA中的应用。最近,结构化状态空间模型(SSMs)[9],如Mamba网络[10]、[11],展示了高效的全局建模能力。然而,大多数SSM最初是为1-D序列数据设计的。当直接扩展到2-D医学图像(如VM-UNet[12])时,它们常常忽视空间结构,无法保留血管拓扑结构(参见图1(d))。
除了空间域建模外,频域方法在血管分割中展现了优势[13],能够在多个频带增强血管边缘和分支细节,同时抑制背景噪声。然而,大多数现有方法依赖固定滤波器(如FreMAE[14]),缺乏自适应频率建模和跨尺度整合,限制了其同时捕获全局拓扑和精细分支的能力(参见图1(e))。此外,没有显式结构先验时,模型仍难以在低对比度ICA中稳健提取细小血管。虽然近期工作[15]采用结构保持增强策略处理血管图像,但它仅关注预处理而非端到端优化,未考虑动态背景干扰或跨中心数据分布变化,限制了其在基于ICA的冠状动脉分割中的适用性。
为了解决这些局限性,我们提出了Structure-guided Frequency-enhanced Dual-stream Mamba2 Network(SFD-Mamba2Net),用于基于ICA的冠状动脉分割,并以狭窄检测作为下游任务进行临床验证。SFD-Mamba2Net联合整合结构先验、频率感知增强、长程依赖建模和跨域适配,在统一优化策略下学习互补的血管表示。在浅层中,曲率感知结构增强(CASE)模块引入几何先验来增强管状结构并提高对局部曲率变化的敏感性。在瓶颈处,轴向交替双流Mamba2(AA-DS Mamba2)模块采用水平-垂直双路径与前后向状态空间建模来捕获长程依赖,同时保留血管拓扑结构。为减轻多视角成像引起的跨数据集变异,在瓶颈前引入了有监督域适配(SDA)模块,以促进域不变特征学习。
在解码阶段,渐进高频感知(PHFP)模块将多级小波分解与卷积细化相结合,增强高频血管细节,同时保留全局结构一致性,从而改善细小血管的重建并支持稳健的狭窄相关特征保留。源代码公开可用地址:
https://github.com/chenzhao2023/SFDMamba2ICA_seg。本工作的主要贡献总结如下:(1) 我们提出了
SFD-Mamba2Net,整合结构先验、有监督域适配、双流状态空间建模和频域特征增强用于基于ICA的冠状动脉分割。(2) 我们设计了
CASE模块,通过多尺度先验编码细长管状结构,减少边界模糊和动脉不连续。(3) 我们开发了
AA-DS Mamba2模块,采用双路径并行架构与前后向状态空间建模来捕获长程依赖,同时保留血管拓扑结构。(4) 我们引入了
PHFP模块,通过多级小波分解增强高频细节,同时保留低频结构,改善噪声条件下的细小血管重建。
章节摘要
相关工作
当前ICA中的医学图像分析主要涉及两个密切相关任务:血管分割和冠状动脉狭窄检测。现有方法主要基于卷积神经网络(CNNs)[16],其中U-Net及其变体主导了分割任务。然而,其有限的感受野限制了复杂血管结构的长程依赖建模。为解决这一问题,近期研究引入了注意力机制、状态空间模型,
所提方法
SFD-Mamba2Net的整体工作流程及其模块间渐进互补优化机制如图2所示。给定一张ICA,CASE首先在浅层提取多尺度动脉结构先验来指导特征建模并增强局部血管连续性;然而,其建模全局长程依赖的能力仍然有限。随后,五级编码器逐步降低空间分辨率并学习层级多尺度
实验设置
训练。SFD-Mamba2Net使用PyTorch实现并在RTX 3090 GPU上训练。采用Adam优化器,初始学习率为,指数衰减率、,权重衰减。基于StepLR的层级学习率调度将学习率在前10个epoch保持在,以充分捕获主要血管特征。所有对比模型在相同超参数设置下训练。当禁用SDA时,SFD-Mamba2Net进行训练
动脉分割性能分析
SFD-Mamba2Net在基于ICA的冠状动脉分割中取得了最先进的性能。如表2所示,其达到了最高的DSC(89.31%)、ACC(98.80%)、F1(89.22%)和IoU(81.01%),特异性为99.60%,表明具有稳健的血管-背景判别能力。对于边界敏感评估,SFD-Mamba2Net的HD95为6.65像素,ASSD为1.25像素,优于大多数竞争方法。图15中的差异图显示假阳性和假阴性减少,特别是在主干和
结论
在本研究中,我们提出了SFD-Mamba2Net用于基于ICA的冠状动脉分割。通过联合整合结构先验(CASE)、基于Mamba2的状态空间建模(AADS-Mamba2)和频域表示(PHFP),SFD-Mamba2Net方法有效增强了复杂血管拓扑和精细分支的建模。特别是,Mamba2促进了长程依赖建模并加强了全局上下文理解。在三个数据集上的大量实验
CRediT作者贡献声明
Nan Mu:写作 – 审阅与编辑,写作 – 原始草稿,监督,方法论,资助获取。Ruiqi Song:写作 – 原始草稿,可视化,验证,软件,正式分析。Zhihui Xu:资源,调查,数据整理。Jingfeng Jiang:写作 – 审阅与编辑,正式分析。Chen Zhao:写作 – 审阅与编辑,项目管理,方法论,调查,概念化。
利益冲突声明
作者声明不存在可能影响本文报告工作的已知竞争性财务利益或个人关系。
致谢
本工作得到国家自然科学基金(NSFC,No. 62006165)和四川省自然科学基金(Nos. 2025ZNSFSC1477和2024YFFK0077)的资助。
Nan Mu|Ruiqi Song|Zhihui Xu|Jingfeng Jiang|Chen Zhao