來(lái)源：公眾號(hào)“深圳大學(xué)計(jì)算機(jī)與軟件學(xué)院”

原文鏈接：https://mp.weixin.qq.com/s/-TEOd5vE1M0yqULtKf-0PQ?scene=1&click_id=26

3D肺血管分割廣泛應(yīng)用于肺血管疾病早期篩查、臨床診斷、治療方案規(guī)劃等場(chǎng)景，核心是從肺部CT影像中自動(dòng)精準(zhǔn)提取三維血管結(jié)構(gòu)，為肺血管相關(guān)疾病的評(píng)估與診療提供關(guān)鍵支撐，同時(shí)也面臨血管樹狀拓?fù)鋸?fù)雜、尺度差異懸殊、低對(duì)比度細(xì)小血管難識(shí)別、背景相似組織干擾、CT運(yùn)動(dòng)偽影影響等臨床共性挑戰(zhàn)。

深圳大學(xué)計(jì)算機(jī)與軟件學(xué)院吳惠思教授團(tuán)隊(duì)及香港理工大學(xué)秦璟教授等人在該方向上完成了一項(xiàng)創(chuàng)新工作，并發(fā)表在CVPR 2026會(huì)議上，該工作對(duì)3D肺部血管進(jìn)行精確分割，下面讓我們深入了解下它。

3D肺血管分割是醫(yī)學(xué)影像分析中的核心任務(wù)，目標(biāo)是在血管復(fù)雜的樹狀拓?fù)?、尺度差異懸殊、低?duì)比度、CT運(yùn)動(dòng)偽影及相似組織干擾等臨床條件下，實(shí)現(xiàn)肺部血管的精準(zhǔn)分割。相關(guān)技術(shù)廣泛應(yīng)用于肺血管疾病早期篩查、臨床診斷、治療規(guī)劃與預(yù)后評(píng)估等領(lǐng)域?，F(xiàn)有方法主要包括傳統(tǒng)灰度特征分割、基于CNN的分割、CNN-Transformer混合分割以及基于Mamba分割方法。前兩類方法難以充分捕捉血管長(zhǎng)程結(jié)構(gòu)依賴，或易受背景噪聲干擾且無(wú)法高效建模多尺度的復(fù)雜血管，難以適配有限的臨床計(jì)算資源；基于Mamba的分割方法雖具備高效長(zhǎng)程建模能力，但缺少視覺(jué)任務(wù)所必需的空間感知能力，對(duì)細(xì)小血管分割與復(fù)雜拓?fù)渥粉櫟哪芰κ芟蕖?/span>

該工作提出了一種基于Mamba的3D肺血管分割方法VesMamba。該方法的核心思想是利用空間門控結(jié)構(gòu)感知機(jī)制賦予Mamba三維空間感知能力以捕捉血管長(zhǎng)程拓?fù)湟蕾?，結(jié)合雙向尺度感知過(guò)濾器實(shí)現(xiàn)編碼器特征的多尺度噪聲抑制，通過(guò)掩碼約束解碼器保障分割結(jié)果的一致性與精準(zhǔn)度，實(shí)現(xiàn)肺部CT影像下復(fù)雜血管的高效精準(zhǔn)分割。該方法能夠完成血管復(fù)雜拓?fù)涞臏?zhǔn)確建模，有效緩解相似組織和CT偽影的干擾；結(jié)合多尺度特征增強(qiáng)策略，能夠同時(shí)處理血管尺度懸殊、低對(duì)比度細(xì)小血管、結(jié)構(gòu)重疊及運(yùn)動(dòng)偽影等問(wèn)題。該方法主要包括三部分：

相對(duì)于主流3D肺血管分割方法，VesMamba在分割精度、血管拓?fù)渫暾浴⒓?xì)小血管分割效果方面均取得顯著提升。

該方法的具體流程如圖2所示。其輸入為肺部3D的CT影像數(shù)據(jù)，針對(duì)肺部CT影像中血管復(fù)雜的樹狀拓?fù)洹⒊叨瓤缍却?、低?duì)比度細(xì)小血管辨識(shí)度低、背景組織干擾與CT偽影等核心挑戰(zhàn)，從空間感知建模、多尺度特征增強(qiáng)、解碼一致性約束三個(gè)維度設(shè)計(jì)核心技術(shù)方案，構(gòu)建兼顧精度、效率與魯棒性的3D肺血管分割框架。

圖2. DSAC示意圖

如圖1所示，VesMamba采用經(jīng)典的編碼器—解碼器架構(gòu)，整體由五層編碼器、空間門控結(jié)構(gòu)感知（SSP）模塊、雙向尺度感知濾波（BSF）模塊、掩碼約束解碼器（MCDecoder）組成。模型先通過(guò)Stem層完成初步特征提取，得到基礎(chǔ)特征圖；隨后送入五層編碼器進(jìn)行多尺度特征挖掘，嚴(yán)格遵循分層設(shè)計(jì)規(guī)則：編碼器前三層采用殘差卷積，負(fù)責(zé)提取血管淺層局部細(xì)節(jié)特征；編碼器后兩層嵌入空間門控結(jié)構(gòu)感知（SSP）模塊，用于捕捉血管長(zhǎng)程拓?fù)湟蕾嚺c復(fù)雜空間結(jié)構(gòu)。SSP模塊由空間門控Mamba（SGM）與自注意力組成，其中動(dòng)態(tài)空間注意力卷積（DSAC）可動(dòng)態(tài)適配3D血管數(shù)據(jù)的空間各向異性，如圖2所示，為Mamba賦予空間感知能力，使其高效建模血管樹狀拓?fù)洌宰⒁饬t進(jìn)一步強(qiáng)化長(zhǎng)程特征關(guān)聯(lián)；在SSP瓶頸處，采用多尺度空間注意力門（MSAG）替代普通自注意力，引導(dǎo)模型聚焦不同尺度的血管區(qū)域。

圖3. BSF示意圖

為解決編碼器多尺度特征噪聲干擾、信息互擾問(wèn)題，模型引入雙向尺度感知濾波（BSF）模塊，對(duì)五層編碼器輸出的多尺度特征進(jìn)行雙向融合與降噪增強(qiáng)。如圖3所示，該模塊采用高層到低層、低層到高層的雙向特征融合方式，結(jié)合深度移位卷積高效完成3D特征交互，聚合局部細(xì)節(jié)與全局輪廓信息；并將融合特征以門控機(jī)制過(guò)濾各層編碼器特征不同尺度噪聲，從而抑制背景相似組織、CT運(yùn)動(dòng)偽影等干擾，強(qiáng)化血管的特征表達(dá)能力。

解碼階段采用掩碼約束解碼器（MCDecoder），基于深度監(jiān)督機(jī)制實(shí)現(xiàn)精準(zhǔn)分割。將經(jīng)BSF增強(qiáng)的編碼器特征與SSP瓶頸高層特征送入解碼器，利用高層掩碼中的血管輪廓、位置信息直接約束相鄰低層解碼器的推理過(guò)程，通過(guò)殘差卷積與上采樣完成特征融合，逐層修正分割結(jié)果，保障血管分割的一致性、拓?fù)渫暾耘c邊界精準(zhǔn)度。

VesMamba通過(guò)分層特征提取、SSP模塊實(shí)現(xiàn)Mamba空間感知與長(zhǎng)程拓?fù)浣?、BSF模塊完成多尺度特征降噪增強(qiáng)、MCDecoder實(shí)現(xiàn)解碼精準(zhǔn)約束，四大核心組件協(xié)同配合，實(shí)現(xiàn)CT影像中3D肺血管的高效、精準(zhǔn)、魯棒分割。

如下圖所示，相對(duì)于其他SOTA方法，本文方法在不同尺度的3D肺部血管上的分割結(jié)果具有更少的假陽(yáng)性和假陰性，展現(xiàn)了本文方法分割的精準(zhǔn)性。

圖4. 結(jié)果對(duì)比。綠色、黃色和紅色分別代表真陽(yáng)性、假陽(yáng)性和假陰性。