基于注意力引导的三维残差学习的CT肺动脉造影肺栓塞分割

《Journal of Imaging Informatics in Medicine》：Attention-Guided 3D Residual Learning for Pulmonary Embolism Segmentation on CT Pulmonary Angiography

　　摘要肺栓塞是一种可能危及生命的状况，需要及时准确的诊断。CT肺动脉造影（CTPA）是肺栓塞评估的标准成像方式；然而，由于栓子往往体积较小、形态不规则，且嵌入在复杂的对比增强血管结构中，手动勾画栓子区域既耗时又具有挑战性。本研究旨在开发并评估一种基于图块的三维深度学习模型，用于CTPA上的肺栓塞自动分割。经机构伦理委员会批准，从迪克莱大学医院收集了回顾性CTPA数据集。经过图像-掩膜质量控制后，共纳入272名受试者，并按受试者为基础的策略划分为训练集、验证集和测试集。提取以病灶为中心的阳性图块和阴性对照图块，构建了包含816个图块的三维分割数据集。我们提出了PEARL-Net3D（三维肺栓塞注意力引导残差学习网络），这是一种紧凑的残差三维编码器-解码器架构，融合了卷积块注意力模块和注意力门控跳跃融合。我们使用Dice/F1、IoU、精确率、召回率、HD95和ASSD等指标将该模型与3D U-Net、3D VNet和3D ResUNet进行了比较，并进行了消融实验和配对Wilcoxon符号秩检验。PEARL-Net3D在所有评估模型中取得了最高的测试集Dice/F1和IoU，平均值分别为0.8287 ± 0.2782和0.7809 ± 0.3175。与最强的基线模型3D ResUNet相比，PEARL-Net3D的Dice/F1提高了0.0098，IoU提高了0.0098，同时取得了最低的ASSD，为3.0840 ± 3.3025。统计分析显示，与3D ResUNet相比，在Dice/F1（p = 0.0133）、IoU（p = 0.0137）和召回率（p = 0.0080）方面均有显著改善。消融分析表明，CBAM与注意力门控跳跃融合联合使用时验证集表现最佳，Dice/F1为0.8486，IoU为0.8026。PEARL-Net3D能够对CTPA上的肺栓塞进行有效的基于图块的三维分割，并在重叠相关指标上优于标准三维分割基线模型。所提出的架构通过将残差体积特征提取与基于注意力的特征再校准和门控跳跃融合相结合，改善了栓子的体素恢复和边界一致性。