基于 MGLIA net 的颅内动脉瘤 CTA 图像分割方法：为精准诊疗筑牢数据根基

《Scientific Reports》：CTA image segmentation method for intracranial aneurysms based on MGLIA net

为解决颅内动脉瘤图像分割算法准确性受限、现有深度学习分割方法缺乏通用性的问题，研究人员开展基于 MobileNet 开发更通用的分割模型 MGLIA Net 算法的研究。结果显示该算法在不同数据集上分割精度更高，为颅内动脉瘤的诊疗提供可靠数据基础。

　　颅内动脉瘤（Intracranial aneurysm，IA），就像是脑血管壁上鼓起的 “小气泡”，看似不起眼，实则暗藏巨大危机。一旦这个 “小气泡” 破裂，血液涌入周围脑组织，就可能引发出血性中风，导致脑损伤甚至死亡 。在众多检测手段中，计算机断层扫描血管造影（CTA）因分辨率高、能清晰展示血管细节且操作简便、无创，成为疑似颅内动脉瘤患者的首选诊断方法。但从 CTA 数据中精准分割出动脉瘤区域却困难重重，现有基于大数据和深度学习的分割方法缺乏通用性，面对新的医院成像设备采集的数据，往往需要重新设计和训练分割网络，严重影响了诊断的准确性和效率。

为攻克这一难题，长春理工大学生命科学与技术学院、吉林大学白求恩第三医院等机构的研究人员，展开了深入研究。他们致力于开发一种更具通用性的分割模型，通过结合 GLIA-Net 网络和 MobileNet 的优势，提出了基于 MobileNet 的 GLIA Net 算法（MGLIA Net 模型）。该研究成果发表在《Scientific Reports》上，为颅内动脉瘤的诊断和治疗带来了新的曙光。

在研究过程中，研究人员运用了多种关键技术方法。他们使用来自不同医院、患者和病变的开源大规模数据集，将其分为训练集、内部测试集和外部测试集。在模型构建上，以 GLIA-Net 和 Mobile V2 为基础，设计出 4 层 U-Net 网络结构的 MGLIA-Net 模型，利用深度可分离卷积、倒置残差机制和全局定位模块等，提升模型性能 。

研究结果主要从模型性能对比和不同大小动脉瘤分割效果两方面展开。在模型性能对比方面，研究人员将 MGLIA-Net 算法与 U-Net、HeadXNet 和 GLIA-Net 这三种方法进行比较。在内部测试集、外部测试集 A 和外部测试集 B 上的实验结果显示，MGLIA-Net 和 GLIA-Net 在各项指标上均优于 U-Net 和 HeadXNet。尤其是在 95% Hausdorff 距离（HD95）这一指标上，MGLIA-Net 表现更为出色，意味着其分割边界更精确，异常值更少 。在不同大小动脉瘤分割效果方面，对于大型颅内动脉瘤，MGLIA-Net 和 GLIA-Net 的分割结果都能与实际标签较好重合；对于中型动脉瘤，MGLIA-Net 在精度上略胜一筹；而在小型动脉瘤（≤3mm）的分割上，MGLIA-Net 优势显著，其精度更高，95% HD 更低，能更精准地检测边界。

综合研究结果，研究人员得出结论：MGLIA-Net 算法在颅内动脉瘤分割方面表现卓越，在不同数据集上的分割准确率分别达到 52.9%、72.1% 和 60.1%，远超原始 GLIA-Net 算法。这一成果为后续更精确的三维重建提供了可靠的数据基础，在分析血液流体应力时，精准的分割结果能更准确地模拟血流状态，有助于进一步探究颅内动脉瘤的形成和发展机制，为临床诊断和治疗提供有力支持，对推动颅内动脉瘤的精准诊疗具有重要意义。