《Frontiers in Artificial Intelligence》：VMamba-QAG-net: a five-stage pipeline for SYNTAX score computation and decision support in interventional cardiology using X-ray angiography
编辑推荐：
摘要：冠状动脉疾病（Coronary Artery Disease, CAD）仍是全球重大健康问题，准确评估疾病严重程度对制定治疗方案至关重要。源自X射线冠状动脉造影（X-ray coronary angiography, XCA）图像的SYNTAX评分在指导
摘要：冠状动脉疾病（Coronary Artery Disease, CAD）仍是全球重大健康问题，准确评估疾病严重程度对制定治疗方案至关重要。源自X射线冠状动脉造影（X-ray coronary angiography, XCA）图像的SYNTAX评分在指导治疗决策中发挥关键作用。然而，手动评分耗时、主观且存在观察者间差异，因此有必要开发客观可靠的系统。研究人员提出了VMamba-QAG-Net，一种新颖的五阶段流程，旨在直接从XCA图像估计SYNTAX评分。第一阶段执行二值血管分割以解决极端类别不平衡问题，采用双边滤波、CLAHE和反锐化掩膜的预处理增强血管边界，并使用具有并行五方向视觉mamba扫描的EfficientSS2D模块和量子注意力门控（Quantum Attention Gate, QAG）以保持长距离血管连通性。第二阶段使用四通道引导输入执行27个不同冠状动脉节段的多类别解剖标记，并由带有度量学习的血管原型记忆库和用于细小远端结构的中心线加权骨架损失支持。第三和第四阶段通过骨架化提取有序血管中心线，通过垂直射线投射计算直径狭窄百分比，并使用Aquila优化器检测重度狭窄病灶。第五阶段结合狭窄信息计算SYNTAX评分并支持血运重建治疗决策。所提出的模型在ARCADE数据集上进行了评估，二值分割的Dice系数为0.9070，准确率为0.9841。27类冠状动脉分割的Dice系数为0.7512，准确率为0.9514，存在类别Dice为0.8214。这些结果证明了所提出框架的有效性及其在临床决策中支持心脏病专家的潜力。
冠状动脉疾病（CAD）是全球重要健康负担，动脉粥样硬化使冠状动脉管腔狭窄，导致心绞痛等症状。X射线冠状动脉造影（XCA）是诊断CAD的金标准，SYNTAX评分源自XCA图像，用于指导经皮冠状动脉介入治疗（PCI）与冠状动脉旁路移植术（CABG）的选择。然而，手动SYNTAX评分耗时、主观且观察者间变异大；现有深度学习方法多集中于分割或狭窄检测等单一任务，缺乏端到端的自动化评分流程，并普遍受类别不平衡、薄血管分割丢失、背景噪声干扰等问题限制。为此，研究人员提出VMamba-QAG-Net，一个统一的五阶段深度学习框架，直接从XCA图像估计SYNTAX评分，以实现客观、可重复的临床决策支持。
研究在ARCADE数据集的SYNTAX子集上进行，该子集包含1500幅图像，来源于哈萨克斯坦阿拉木图心脏病研究所，采集设备为Philips Azurion 3和Siemens Artis Zee系统，图像分辨率512×512像素，划分为训练集1000幅、验证集200幅、测试集300幅。五阶段流程包括：第一阶段二值血管分割生成血管概率图；第二阶段进行27类冠状动脉节段分割（26个SYNTAX节段加背景）；第三阶段提取中心线并量化狭窄；第四阶段分级狭窄严重程度；第五阶段计算SYNTAX评分并提供治疗建议。实验结果显示，二值分割的Dice系数达0.9070，准确率0.9841；27类分割的Dice系数0.7512，存在类别Dice（present-class Dice）0.8214，准确率0.9514，表明该流程具备支持临床决策的潜力。
主要关键技术方法包括：预处理使用双边滤波、对比度受限自适应直方图均衡化（CLAHE）和反锐化掩膜增强低对比度血管边界；编码器采用ImageNet预训练的EfficientNetV2-S，每个跳跃连接经过EfficientSS2D块处理，该块使用五个并行深度卷积分支（水平1×15、垂直15×1，以及膨胀率1、2、4的3×3卷积）以捕捉多方向血管结构；量子注意力门控（QAG）通过振幅与相位路径的余弦调制实现软注意力，保持血管连通性；血管感知的注意力引导丢弃（AGDrop）保留重要血管特征并抑制背景；四通道引导输入经1×1卷积投影以适配预训练骨干；阶段二采用血管原型记忆库和中心线加权骨架损失，并利用三个辅助解码头进行五个粗血管区域监督；训练前使用基于群体的超参数优化器（SBHO）自动搜索损失权重与增强参数；推理时采用测试时增强（TTA）平均五个对称变换的预测；狭窄量化使用形态学骨架化、垂直射线投射测量血管宽度，并用Aquila优化器精确定位最小管腔位置。
与现有技术比较：在ARCADE测试集上，所提出的VMamba-QAG-Net在二值分割中获得的Dice系数、Jaccard指数、准确率、精确率、召回率和特异性分别为0.9070、0.8294、0.9841、0.8950、0.9210和0.9921；27类多类分割的Dice系数为0.7512，存在类别Dice为0.8214，Jaccard指数0.6018，准确率0.9514，精确率0.7248，召回率0.7134，特异性0.9763。与多种状态最新（SOTA）方法相比，该模型在各项指标上表现均衡且一致良好。
消融研究：二值分割消融显示，基线模型（EfficientNetV2-S+UNet）Dice为0.7124；加入SS2D后提升至0.7886，说明SS2D是最重要的特征提取组件；QAG、AGDrop和SBHO损失各自带来增益；完整模型达到Dice 0.9060、IoU 0.8261、准确率0.9867、clDice 0.8892。多类分割消融中，基线Dice为0.5841；逐步加入阶段一引导通道、SS2D、QAG和原型记忆库后，完整模型达到Dice 0.7515、存在类别Dice 0.8214，验证了各组件协同提升分割精度。
阶段一二值分割：在代表性XCA图像上，大部分冠状动脉像素被正确检测，假阳性区域极少，假阴性主要出现在细小远端血管末端。该阶段有效分离血管与背景，并将清晰的血管掩膜传递给阶段二。
阶段二27类分割：该阶段准确标记主要冠状动脉及其分支，保持血管连续性，能够识别大小血管节段。轻微的边界过预测可能出现在狭窄部位，尤其是较小远端血管，但分段严重度一致率达95.14%，说明该过预测对最终分级影响很小。
阶段三狭窄量化：对300幅测试图像进行处理，98.0%的图像成功提取至少一条中心线，共分析1420个血管节段。平均中心线长度84.2±31.5像素，射线投射成功率94.8%。使用预测掩膜与金标准掩膜分别运行同一流程，直径狭窄百分比的平均绝对差异在近端节段为2.8%±1.4%，远端/分支节段为6.5%±3.1%，而严重度分级一致率仍高达95.14%，表明分割边界差异不改变绝大多数节段的狭窄分级。
SYNTAX评分估计：在300幅测试图像中，估计的SYNTAX评分均值为7.1±5.1，中位数5.5，最大21.5，所有图像均属于低风险类别（≤22）。由于ARCADE数据集未提供患者特异性SYNTAX评分真值，该结果通过人群分布一致性（低于临床SYNTAX试验基线14.5±11.2）和近端节段贡献更高的临床合理性进行间接验证，属于特征化的流程输出而非临床验证测量值。
讨论与结论：研究讨论指出，五阶段设计将SYNTAX评分估计分解为清晰可管理的任务，每个阶段针对特定临床挑战，减少了类别不平衡影响，提高了临床可解释性，并允许各阶段独立评估。主要局限性是ARCADE数据集缺乏真实SYNTAX评分标记，无法直接数值验证；未来需要在具有临床标注的数据集上验证，并扩展到多视角血管造影图像。结论部分可翻译为：研究人员提出了一种从XCA图像评估冠状动脉疾病和估计SYNTAX评分的五阶段自动化流程，包括二值血管分割、27类冠状动脉节段标记、中心线提取与狭窄检测、狭窄严重度分级以及SYNTAX评分计算，为冠状动脉分析提供了端到端框架。评估结果证明该模型在二值分割和27类分割上均表现良好，具有作为SYNTAX评分估计临床决策支持工具的潜力。未来工作将集中于临床验证和多视角血管造影图像的扩展。
