《Bioengineering》：DCD-VMUNet: A Dynamic Multi-Scale and Geometry-Aware Network for Coronary Vessel and Stenosis Segmentation in X-Ray Angiography
编辑推荐：
在X射线冠状动脉造影（X-ray coronary angiography, XCA）中，由于血管与背景对比度低、血管重叠、细小分支以及狭窄病变体积小且外观模糊，冠状动脉血管和狭窄区域的精确分割仍然具有挑战性。在本研究中，研究人员提出了DCD-VMUNet，一
在X射线冠状动脉造影（X-ray coronary angiography, XCA）中，由于血管与背景对比度低、血管重叠、细小分支以及狭窄病变体积小且外观模糊，冠状动脉血管和狭窄区域的精确分割仍然具有挑战性。在本研究中，研究人员提出了DCD-VMUNet，一种用于自动化冠状动脉血管与狭窄分割的结构感知框架。该模型基于VM-UNet构建，并引入了动态多尺度核（Dynamic Multi-Scale Kernel, DMSK）模块、中心线头（centerline head）和方向头（direction head）。动态模块自适应地整合精细边界细节与更广泛的上下文线索，而辅助头则引入几何监督以增强结构连续性和方向感知。DCD-VMUNet在ARCADE数据集上针对二元血管分割和狭窄分割任务进行了独立训练与评估。研究人员使用像素级指标以及用于血管分割的中心线感知clDice指标，将其与YOLOv11-X、DeepLab v3+、UNet、UNet++、TransUNet、MALUNet和VM-UNet进行比较。在血管分割中，DCD-VMUNet取得了最佳性能，IoU、精确率、召回率和F1分数分别为0.6838、0.8418、0.7846和0.8122。在狭窄分割中，该模型同样在所有指标上排名第一，分别达到0.4042、0.5826、0.5688和0.5757。消融研究证实了多尺度特征提取与几何监督的互补效应。在独立ICA数据集上的额外评估进一步支持了DCD-VMUNet在ARCADE基准之外的血管分割性能。这些结果表明，DCD-VMUNet改善了冠状动脉血管描绘和像素级狭窄定位，有助于实现自动化的冠状动脉造影评估。
**论文解读：DCD-VMUNet在X射线冠状动脉造影中的血管与狭窄分割**
心血管疾病是全球死亡和残疾的主要原因，其中缺血性心脏病尤为突出。在冠状动脉疾病（coronary artery disease, CAD）中，粥样硬化斑块和血栓形成可导致冠状动脉管腔狭窄，损害心肌血供。侵入性冠状动脉造影（invasive coronary angiography, ICA）是评估冠状动脉狭窄的参考标准，但常规狭窄分级主要依赖医生的视觉解读，这往往与定量冠状动脉造影存在差异，且在不同医生和医院之间变异较大。从图像分析角度看，自动分析面临血管重叠、运动伪影、低血管-背景对比度以及非血管结构干扰等挑战。此外，冠状动脉具有细小、延长和分支状形态，狭窄病变体积小且视觉模糊，进一步增加了分割难度。因此，开发自动且可重复的冠状动脉分割和狭窄定位方法具有重要的临床意义。
针对上述问题，研究人员提出了DCD-VMUNet，一种基于VM-UNet的结构感知分割网络，用于X射线冠状动脉造影中的血管和狭窄分割。该模型集成了动态多尺度核（DMSK）模块、中心线头和方向头。DMSK模块能够动态选择不同尺度的卷积核，以适配不同管径和形态的血管及狭窄结构；中心线头通过回归中心线感知距离变换图（centerline-aware distance transform map, CDTM）提供结构监督，增强血管连续性；方向头通过主成分分析（principal component analysis, PCA）估计局部方向，并采用双角编码监督方向一致性。研究人员在ARCADE数据集上独立训练和评估了二元血管分割与狭窄分割任务，并与YOLOv11-X、DeepLab v3+、UNet、UNet++、TransUNet、MALUNet和VM-UNet进行了比较。实验结果显示，在血管分割中，DCD-VMUNet在IoU、精确率、召回率、F1-score及中心线感知的clDice指标上均取得最佳结果；在狭窄分割中也同样排名第一。消融实验证明三个组件具有互补作用。独立ICA数据集上的额外验证进一步支持了该模型在血管分割上的泛化能力。
在技术方法方面，研究人员使用ARCADE数据集（1500张XCA图像，划分为1000训练/200验证/300测试）进行主要评估，并使用独立ICA数据集（按6:3:1划分，即368训练/185测试/60验证）进行血管分割的额外验证。所有图像预处理为256×256分辨率，进行通道复制、归一化和数据增强（随机水平/垂直翻转及随机旋转）。模型基于VM-UNet，在跳跃连接中引入DMSK模块，该模块动态选择小尺度（3×3、5×5）和大尺度（7×7、9×9、11×11，扩张率3）深度卷积，并配合空间门控和残差融合。中心线头回归CDTM，方向头采用掩蔽余弦损失进行监督。总损失为分割损失、中心线损失和方向损失的加权组合，权重分别为0.3和0.1。评估指标包括IoU、精确率、召回率、F1-score和clDice，并使用配对t检验进行统计显著性分析。
**研究结果**
**3.1 实验设置**：在ARCADE数据集上进行，所有比较模型采用相同的数据划分、输入分辨率、预处理、数据增强和训练协议。硬件为NVIDIA RTX 4090D GPU，优化器使用AdamW，血管分割初始学习率为1×10
-3，狭窄分割为1×10
-4，均采用余弦退火调度。
**3.2 评估指标**：使用IoU、精确率、召回率、F1-score评估像素级分割性能，并引入clDice评估血管中心线级结构一致性。
**3.3 血管分割性能评估**：与多个模型比较，DCD-VMUNet获得最高的IoU（0.6838）、精确率（0.8418）、召回率（0.7846）、F1-score（0.8122）和clDice（0.7692）。与基线VM-UNet相比，IoU提升0.0213，F1-score提升0.0152，clDice提升0.0148。定性结果也显示DCD-VMUNet生成的血管掩膜更完整、连续，更好地保留了细小分支。
**3.4 狭窄分割性能评估**：狭窄区域通常较小且类不平衡严重，召回率尤为重要。DCD-VMUNet在IoU（0.4042）、精确率（0.5826）、召回率（0.5688）和F1-score（0.5757）上均排第一。相比基线VM-UNet，IoU、精确率、召回率和F1-score分别提升6.45、7.98、5.74和6.86个百分点；相比最强比较者MALUNet，IoU和F1-score分别提升1.49和1.53个百分点。
**3.5 独立ICA数据集上的额外验证**：所有模型在ICA数据集上重新训练和评估。DCD-VMUNet取得IoU 0.8009、精确率0.8952、召回率0.8838、F1-score 0.8894和clDice 0.8724，均优于其他模型，证明其血管分割性能不局限于ARCADE基准。
**3.6 失败案例分析**：DCD-VMUNet仍可能遗漏部分细小远端分支，或对微小狭窄区域产生漏检和假阳性，提示该模型在精细结构和微小病变方面仍有改进空间。
**3.7 统计显著性与可重复性分析**：使用五个随机种子（42、1、2、3、4）重复训练，并与最强比较者进行配对t检验。血管分割中，IoU（p=0.0202）、精确率（p=0.0022）、F1-score（p=0.0209）和clDice（p=0.0006）的改进均达到显著水平，召回率的改进不显著（p=0.1015）。狭窄分割中，所有指标（IoU、精确率、召回率、F1-score）的改进均显著（p<0.05）。这表明DCD-VMUNet的性能提升可重复且具有统计学意义。
**3.8 计算复杂度分析**：DCD-VMUNet参数量为29.5750M，FLOPs为5.1288G；基线VM-UNet参数量为27.4276M，FLOPs为4.1119G。DCD-VMUNet参数增加约7.83%，计算量增加约24.73%，但IoU从0.6625提升至0.6838，F1-score从0.7970提升至0.8122，表明额外计算开销换取了一定的性能提升。
**3.9 消融实验**：逐步加入DMSK、中心线头和方向头。单独加入DMSK使血管分割IoU从0.6625提升至0.6707，F1-score从0.7970提升至0.8029；再加入中心线头后F1-score升至0.8074；方向头与DMSK组合时F1-score为0.8026，略低于仅使用DMSK；三组件联合的完整模型获得最佳性能（IoU 0.6838，F1 0.8122）。狭窄分割中，DMSK、中心线头和方向头也均带来增益，完整模型达到最优。这表明多尺度特征提取与几何监督之间存在互补性。
**讨论与结论**
讨论部分指出，DCD-VMUNet的改进可能源于动态多尺度特征与几何监督的协同作用。冠状动脉口径差异大，单一感受野难以同时表征近端粗大血管与远端细支，DMSK动态结合局部细节和全局上下文可改善多尺度表示。中心线和方向监督为网络提供了拓扑和方向信息，有助于保持血管连续性。狭窄分割中，几何约束显著提升了对小病变的检测能力，且精确率与召回率同步提高，表明模型能有效抑制假阳性并保持敏感性。DCD-VMUNet可作为计算机辅助冠脉评估的图像分析基础，但像素级狭窄定位不等同于临床诊断，需与定量冠状动脉造影（QCA）、血流储备分数（FFR）及治疗决策结合验证。局限性包括需要多中心验证、未利用血管造影序列信息、未评估与临床指标的相关性。
研究结论：研究人员提出了DCD-VMUNet，一个用于冠状动脉造影图像分析的结构感知分割框架。通过集成动态多尺度核选择与中心线和方向感知辅助监督，该模型旨在增强冠状动脉血管和狭窄分割的外观表示与几何一致性。ARCADE数据集上的实验结果表明，DCD-VMUNet在冠状动脉血管分割中取得了最佳整体性能，IoU、精确率、召回率、F1-score和clDice均有改善；重复运行统计分析进一步支持了性能改进的稳定性。对于狭窄分割，DCD-VMUNet在所有评估指标上也取得了最高性能，表明对微小狭窄区域的分割能力有所提升。然而，狭窄分割的中等绝对性能提示在临床应用前仍需进一步改进和临床验证。消融研究确认了DMSK模块、中心线头和方向头的互补贡献。独立ICA数据集上的额外评估进一步支持了该方法在ARCADE基准之外的血管分割性能。这些发现表明，结合多尺度特征提取与几何监督对于自动化冠状动脉造影分割是有效的。未来工作将集中于多中心验证、序列级血管造影分析以及与定量冠状动脉评估工具的整合，以进一步明确其临床实用性。
