编辑推荐：
为解决 UIA 分割难题，研究人员提出 MTMU 网络，实验表明其性能优越，具临床应用前景。
在人体这个 “神秘宇宙” 中，脑血管就像一条条纵横交错的河流，滋养着大脑这颗 “智慧星球”。然而，有一种名为颅内动脉瘤（Intracranial Aneurysm，IA）的 “隐患”，如同河面上突然出现的危险漩涡。它是由脑血管异常扩张形成的，发病率不低且发病隐匿。一旦破裂，就会引发蛛网膜下腔出血（Subarachnoid Hemorrhage，SAH），这可是一种死亡率极高的严重疾病，如同在平静的大脑 “湖面” 投下一颗重磅炸弹，后果不堪设想。
因此，对于未破裂颅内动脉瘤（Unruptured Intracranial Aneurysm，UIA）的管理至关重要，这其中包括基于病变外观参数评估的风险评估和治疗规划。在当前的临床实践中，病变形状参数的测量主要依赖专家手动操作，不仅耗时费力，而且不同专家之间的测量结果差异较大。随着语义分割技术的发展，自动分割病变成为可能，这有望使测量变得客观、可重复且快速。
然而，UIA 的自动分割一直是科研和临床工作的难题。首先，大多数 UIA 病变体积较小，在医学影像上的像素数量有限，这大大增加了特征提取的难度。其次，UIA 与载瘤动脉在影像上的特征相似，难以区分，就像两条颜色相近的河流交织在一起，难以分辨彼此的边界。此外，现有的分割模型越来越复杂，虽然性能有所提升，但硬件和软件成本也大幅增加，严重限制了模型在临床中的应用。
为了解决这些问题，四川大学电气工程学院等机构的研究人员开展了相关研究，并将成果发表在《BMC Medical Imaging》上。研究人员提出了一种名为 MTMU（Multi-domain Transformation based Mamba-UNet）的新型网络，用于 UIA 的分割。
研究人员在构建 MTMU 网络时，用到了几个关键技术方法。其一，设计了 MF（Mamba & Flip）块，它由一组并行的基本 Mamba 单元和相应的翻转操作组成，能够在平衡计算成本的同时，增强模型捕捉长距离依赖关系的能力。其二，引入了基于傅里叶变换（Fourier Transform，FT）的连接，将其嵌入传统的跳跃连接中，增强了特征图中的高频信息，使模型在解码阶段能更关注边界信息。其三，增加了几何约束（Geometry Constraint，GC）子任务，利用点云来表征几何信息，通过多任务学习的方式，约束预测结果的几何结构，使其更接近真实情况。研究使用了公开数据集，包含 284 个 CTA 图像和 348 个病变。
下面来看具体的研究结果：
- 对比实验结果：研究人员将 MTMU 与 7 种先进的方法进行比较。在 Dice 系数（用于衡量分割预测掩码与真实掩码的重叠程度）和 95% 豪斯多夫距离（HD95，用于准确测量边界识别的准确性）这两个指标上，MTMU 表现最优，Dice 系数达到 78.47%，HD95 为 7.67mm。这表明 MTMU 在识别和分割目标区域方面能力更强，能更准确地提取目标边界，保留几何形态。
- 模型性能综合评估：在模型大小和计算成本方面，MTMU 也展现出优势。与其他模型相比，MTMU 的参数数量较少，计算量（FLOPs）较低，训练和推理时间也相对合理。例如，与基于 Transformer 的 SwinUNetr 相比，MTMU 显著降低了计算成本和模型复杂度，且在捕捉全球信息的同时，保持了较低的计算负载。
- 消融研究：研究人员对 MTMU 中的 MF 块、FT 连接和 GC 子任务进行了消融研究。结果表明，随着这三个模块的逐步加入，分割模型的性能逐渐提升，证明了模型设计的有效性。
- 模型可解释性：通过观察模型收敛过程中特征的变化，研究人员对模型进行了解释。FT 连接使特征图中目标区域的高特征值更加集中，有助于模型更准确地描绘 IAs。GC 子任务则通过引入几何先验，使模型在分割过程中更好地保持目标的几何特征，网络预测的几何结构逐渐接近真实掩码。
研究结论和讨论部分指出，MTMU 网络在 UIA 分割任务中表现出色，能够平衡性能和计算成本，为临床应用提供了可能。它可以帮助评估 IA 的外观参数，避免主观偏差，且模型推理速度远快于手动操作，有助于加快临床工作流程。不过，研究也存在一定局限性，例如引入 GC 任务后，使用移动立方体算法将体积转换为点云并添加标签的过程在 CPU 上进行，导致运行时间变慢，影响了模型的训练速度。未来，研究人员计划将点云转换过程转移到 GPU 上，以提高整体训练效率。
总的来说，MTMU 网络的提出为 UIA 分割带来了新的解决方案，在医学影像领域具有重要的意义，有望为临床医生诊断和治疗 UIA 提供有力的支持，推动医学事业的发展。
