基于图一致性联合学习的血管内光学相干断层扫描中管腔与新生血管同步分割与分析

本研究针对冠状动脉疾病(CAD)诊断中血管内光学相干断层扫描(IVOCT)图像管腔(lumen)与新生血管(NV)分割的难题，提出联合图一致性学习网络(JGCLNet)，集成卷积神经网络(CNN)与图神经网络(GNN)，通过双分支架构与加权联合损失函数，实现NV分割Dice系数74.25%、管腔99.11%的突破性精度，为CAD早期诊断与介入规划提供全自动量化分析工具。

　　

冠状动脉疾病(CAD)是全球死亡率最高的疾病之一，其病理基础动脉粥样硬化斑块会引发血管狭窄甚至阻塞。血管内光学相干断层扫描(IVOCT)作为冠状动脉成像的金标准，能清晰显示管腔(lumen)和斑块内新生血管(NV)——前者决定血流状况，后者是斑块不稳定的标志。然而传统手动分析耗时且依赖经验，而现有AI方法将管腔与NV分割视为独立任务，忽略了二者的解剖关联性。更棘手的是，NV因形态微小、边界模糊且分布稀疏，其分割精度长期停滞不前，严重制约CAD精准诊疗。

针对这一挑战，哈尔滨医科大学附属第二医院团队在《Biomedical Signal Processing and Control》发表研究，提出革命性的联合图一致性学习网络(JGCLNet)。该网络创新性地融合CNN的局部特征提取与GNN的拓扑建模能力，通过双任务分支架构与一致性学习模块，在11,027张IVOCT图像上实现NV分割Dice系数74.25%（较现有技术提升4.81-38.51%）、管腔99.11%的里程碑式突破，并首次实现NV面积、密度、数量的全自动三维量化分析。

关键技术包括：1) 基于82例患者100次IVOCT回拉构建的临床数据集；2) 集成CNN-GNN的双流特征提取框架；3) 联合一致性学习(JCL)模块促进跨任务特征交互；4) 针对NV与管腔像素失衡的加权联合损失函数。

【网络架构】JGCLNet采用共享CNN主干生成多尺度特征{f₁
-f₅
}后，分流至管腔分支（优化边界连续性）与NV分支（强化形态拓扑），通过图卷积捕获血管空间关系，JCL模块实现特征互校正。

【实验结果】在包含12处罪犯斑块的测试集上，NV分割各项指标显著超越7种基准模型，其中Jaccard指数提升6.76-39.35%，假阳性率降低63%；管腔分割的豪斯多夫距离(HD)仅19.12μm，满足临床亚毫米级精度需求。

【临床价值】该研究突破性地解决了NV弱信号检测与管腔复杂形态的协同分割难题，其输出的三维NV密度热图可直接用于斑块稳定性评估。作者团队已将该系统整合至冠脉介入导航平台，为CAD精准诊疗提供全新范式。

讨论指出，JGCLNet的拓扑感知能力使其在分支血管等复杂场景中表现优异，而加权损失设计有效缓解了NV仅占图像0.3%的极端类别失衡。未来工作将扩展至钙化斑块等更多病理特征的联合分析。这项研究标志着IVOCT智能分析从单任务迈向多模态整合的新阶段，为心血管影像AI树立了技术标杆。