基于阈值调整分割网络的 3D CTPA 图像肺栓塞检测与分割研究成果显著

为解决 CTPA 图像肺栓塞分割难题，研究人员提出 TSNet，实验表明其性能优越，具临床应用潜力。

　　# 基于阈值调整分割网络的 3D CTPA 图像肺栓塞检测与分割研究成果解读
在人体的 “生命之河”—— 血液循环系统中，肺栓塞（Pulmonary embolism）就像一颗危险的 “暗礁”，随时可能阻断生命的航道。肺栓塞是由血液凝块或其他物质（如脂肪、空气、肿瘤细胞）阻塞肺动脉或其分支引发的严重病症，发病急且后果可能致命。即便经过治疗，其死亡率仍约为 8%，复发率在 2% - 50% 之间。它通常源于下肢深静脉血栓，栓子随血流到达肺部，阻碍肺血流，引发呼吸困难、心脏负担加重，严重时可导致心脏骤停。然而，肺栓塞的临床症状与其他心肺疾病相似，极易造成误诊，因此准确及时的诊断对改善患者预后至关重要。

在临床诊断中，虽然有多种检测手段，但每种都存在一定的局限性。D - dimer 作为血栓形成的生物标志物，其水平升高并非肺栓塞所特有，常需与其他检查结合。胸部 X 射线难以直接观察到肺动脉血栓，尤其是在疾病早期或图像质量不佳时。肺动脉造影曾是诊断的 “金标准”，但因分辨率和对比剂风险问题，难以评估亚段及以下动脉的肺栓塞情况。CT 肺血管造影（CT pulmonary angiography，CTPA）虽在检测微小血栓方面有优势，但图像噪声、患者体位等因素会影响检测效果，且存在高剂量辐射和依赖对比剂的问题。所以，开发计算机辅助诊断技术，借助自动化图像分析和深度学习算法辅助医生诊断，变得尤为重要。

为了攻克肺栓塞检测和分割的难题，山东科技大学计算机科学与工程学院、山东省智慧采矿信息技术重点实验室以及青岛大学附属医院放射科的研究人员开展了深入研究。他们提出了阈值调整分割网络（Threshold Adjustment Segmentation Network，TSNet），旨在提升 3D CTPA 图像中肺栓塞的分割性能。相关研究成果发表在《Scientific Reports》上。

研究人员在开展此项研究时，用到了几个主要关键技术方法。首先，从肺栓塞挑战赛（Pulmonary Embolism Challenge）获取数据集，包含 6 家医院的 91 例 CTPA 肺动脉扫描图像，经经验丰富的放射科医生诊断标注，其中 71 例用于训练，20 例用于评估。在数据预处理阶段，对 3D 医学成像数据进行固定大小图像块提取、裁剪、空间变换（随机缩放、平移、旋转、翻转）、密度窗口调整以及目标导向采样等操作，训练过程还采用了填充、随机裁剪、噪声注入等数据增强技术，测试集仅进行必要的密度窗口调整和标准裁剪。模型方面，提出的 TSNet 包含阈值调整模块（Threshold Adjustment Module，TAD）、几何拓扑轴向特征模块（Geometric - Topological Axial Feature Module，GT - AFM）和通道分割交换注意力模块（Channel Split Swap Attention Module，CSSA），并设计了 Focal Tversky Loss 损失函数以提升模型在复杂图像中检测血栓的性能。

下面来详细看看研究结果：

1. 不同模型性能对比：研究对比了 TSNet 与其他模型在肺栓塞检测和分割任务中的性能。在不同容差（ε=0 mm、2 mm、5 mm）条件下，TSNet 表现出色。ε=0 mm时，TSNet 灵敏度达到 0.761，优于其他模型，假阳性率（FP/S）为 1.273，阳性预测值（PPV）为 0.600；容差扩大到 2 mm，灵敏度升至 0.850，FP/S 显著降至 0.565，PPV 稳定在 0.618；ε=5 mm时，灵敏度进一步提高到 0.878 ，FP/S 降至 0.515 ，虽 PPV 略降至 0.585，但仍处于较高水平。在血栓分割的 DSC（%）指标上，TSNet 优于其他模型，不过 HD95 指标表现欠佳，这是因为 TAD 模块排除了大量低概率血栓，导致边界分割不佳和部分阳性血栓漏检。
2. 真阳性和假阳性数量对比：对比 TSNet 与其他表现较好的模型的真阳性（TP）和假阳性（FP）数量，发现 TSNet 在三个容差水平下都能获得更高的真阳性数量，且显著降低了假阳性率。例如在ε=5 mm时，TSNet 仅产生 56 个假阳性，远低于其他对比模型。
3. 基于 FROC 曲线的性能分析：通过自由响应受试者工作特征曲线（Free - Response Receiver Operating Characteristic Curve，FROC）评估 TSNet 的性能。ε=0 mm时，模型在假阳性数为 3 时灵敏度达到最大值 0.76；ε=2 mm，相同假阳性数下灵敏度提升到 0.85；ε=5 mm，假阳性数降至 2 时，灵敏度升至 0.88。这表明 TSNet 能在较少假阳性情况下实现高灵敏度，且随着容差增加，灵敏度持续提高，体现了模型的适应性和鲁棒性。
4. 消融实验结果：研究人员进行了消融实验，评估不同模块对模型性能的贡献。基线模型（BL）在不同容差下有一定的基础性能，随着 GT - AFM 模块的加入，模型对 3D CTPA 图像空间信息处理能力增强，灵敏度有所提升；CSSA 模块加入后，虽在部分容差下灵敏度略有波动，但总体提升了模型对复杂 3D 医学图像关键信息的提取能力；最终，包含所有模块的完整模型在不同容差下均达到最高灵敏度，TAD 模块通过优化血栓与血管关系的预测，减少了误报，提高了分割精度。

研究结论表明，TSNet 有效解决了 3D CTPA 图像中肺栓塞自动检测和分割的难题，大幅降低了假阳性率。它通过多任务学习策略和创新的特征提取模块，增强了对血管和血栓特征的识别能力，能更好地区分血栓与周围组织，实验结果也证明了其在不同图像质量和病变模式下的准确性和鲁棒性。在临床应用中，TSNet 可为医生提供可靠的诊断信息，提高诊断效率，降低误诊风险，具有重要的潜在价值。

不过，该模型也存在一些局限性。在低假阳性率场景下，其灵敏度仍有待提高，可能是由于模型复杂性影响了对微小病变的检测。此外，对于小的或形状不规则的血栓，模型在准确勾勒边界方面存在困难，尤其是在病变细微或弥漫的区域。

未来，研究人员计划通过引入先进技术，如扩散模型和半监督学习，来解决这些问题。扩散模型有助于改善对微小和复杂血栓结构的分割，半监督学习则可利用大量未标记数据提升模型的泛化能力，特别是在检测微小病变方面。这些研究方向有望进一步提高模型在临床环境中的鲁棒性和准确性，为肺栓塞的检测和分割提供更可靠、精确的方法，从而更好地服务于临床诊断，保障患者的健康。