基于深度学习的冠状动脉分割研究综述

基于深度学习的冠状动脉分割研究综述冠状动脉疾病是全球范围内导致人口死亡的主要原因之一，冠状动脉的精准分割是冠心病诊断、风险评估以及手术规划的核心环节。传统的冠状动脉分割方法多依赖于人工标注的特征与阈值化处理，对血管形态变异、造影剂分布不均、伪影干扰等问题鲁棒性较差，且分割效率难以满足临床大规模筛查的需求。近年来深度学习技术在医学影像分析领域的快速发展，为冠状动脉分割任务带来了突破性的解决方案，相关研究成果在分割精度、自动化程度上均实现了显著提升，逐渐成为该领域的主流技术路径。一、冠状动脉分割的任务特性与挑战冠状动脉本质上是分布在心肌表面的管状树状结构，其影像特征与临床场景的特殊性为分割任务带来了多重固有挑战。首先是血管结构的尺度异质性：冠状动脉主干直径通常在3-5mm，而远端微小血管直径可小于1mm，同一影像中不同层级血管的灰度、边界清晰度差异极大，传统的单一尺度特征提取方法难以同时捕捉到大血管的整体形态与微小血管的细节信息。其次是影像质量的复杂性：临床常用的冠状动脉CT血管造影（CCTA）、冠脉造影（ICA）等影像模态普遍存在噪声、伪影、造影剂充盈不均等问题，部分区域血管与周围心肌、脂肪组织的对比度极低，甚至存在血管断裂、边界模糊的情况，极易导致分割结果出现假阳性或假阴性。第三是解剖结构的个体差异性：不同患者的冠脉走形、分支数量存在生理性变异，部分患者还存在血管钙化、狭窄、斑块等病理性改变，使得分割模型难以通过固定的结构模板实现通用化的精准识别。此外临床场景对分割结果的可靠性要求极高，不仅需要输出完整的血管树结构，还要保证狭窄部位、斑块区域的边界精度，错误的分割结果可能直接影响临床诊断的准确性，这也对深度学习模型的可解释性、鲁棒性提出了更高要求。二、基于监督学习的冠状动脉分割方法监督学习是目前冠状动脉分割领域应用最广泛的技术框架，其核心是利用标注好的影像与对应分割标签训练模型，实现从输入影像到血管掩码的端到端映射。早期的研究多基于经典的全卷积网络（FCN）架构，通过对影像进行逐像素分类实现血管分割，但FCN存在感受野受限、细节信息丢失等问题，对微小血管的分割效果较差。为解决这一问题，U-Net及其衍生架构逐渐成为冠脉分割的主流基线模型，其编码器-解码器结构与跳层连接设计能够同时融合高层语义信息与低层细节特征，有效提升了血管边界的分割精度。针对冠脉的管状结构特性，大量研究对U-Net架构进行了针对性改进：部分研究引入多尺度特征融合模块，在编码器不同层级设置不同大小的卷积核，同时捕捉不同直径血管的特征；另一部分研究将注意力机制融入U-Net架构，通过空间注意力、通道注意力模块自动聚焦血管区域，抑制背景噪声的干扰，典型代表如AttentionU-Net、UNet++等模型在公开冠脉数据集上的Dice系数相较基础U-Net提升了2%-5%。针对三维CCTA影像的分割需求，3DU-Net、V-Net等三维卷积架构被广泛应用，这类模型能够直接利用三维空间上下文信息，避免二维切片分割导致的层间不连续问题，更适合提取冠脉的三维拓扑结构。但三维模型的计算复杂度高、对显存需求大，部分研究通过引入混合维度卷积、稀疏卷积、模型轻量化等方法平衡分割精度与计算效率，例如采用2D编码器提取切片内特征、3D解码器融合层间信息的混合架构，在保证分割精度的同时将模型参数量降低了40%以上。此外，为了更好地利用冠脉的管状结构先验知识，部分研究将形状约束、拓扑约束融入损失函数设计，例如采用Dice损失、交叉熵损失结合血管中心线距离损失的复合损失函数，强制模型学习血管的连续结构特征，有效减少了分割结果中的血管断裂、假分支等问题。监督学习方法的性能高度依赖于标注数据的质量与规模，但冠脉影像的标注需要专业医生逐像素勾勒血管结构，标注成本极高，且不同医生的标注标准存在一定差异，这也成为限制监督学习模型性能进一步提升的瓶颈。针对这一问题，半监督学习、弱监督学习等方法逐渐受到关注，半监督学习方法通过利用少量标注数据与大量未标注数据联合训练，能够在标注数据量减少50%的情况下达到与全监督方法相当的分割精度，典型的方法包括基于一致性正则化、伪标签生成、对抗训练等技术路径。弱监督学习则进一步降低了标注要求，仅利用图像级标签、boundingbox标签或中心线标签即可训练分割模型，例如部分研究仅通过标注冠脉的中心线点集，结合距离变换生成伪标签训练模型，其分割精度接近全监督模型水平，大幅降低了数据标注的时间与人力成本。三、基于深度学习的冠脉分割后处理与拓扑优化深度学习模型直接输出的分割结果往往存在局部噪声、血管断裂、假分支等问题，难以直接满足临床应用需求，因此后处理与拓扑优化是冠脉分割流程中不可或缺的环节。传统的后处理方法多基于形态学操作，例如采用腐蚀膨胀去除小面积噪声、利用区域生长填补小的断裂间隙，但这类方法容易破坏微小血管的结构，且无法解决较长的血管断裂问题。近年来，基于深度学习的后处理方法逐渐成为研究热点，部分研究采用图卷积网络（GCN）对初始分割结果的拓扑结构进行优化，将血管树转化为图结构，通过节点特征更新与边连接预测修正断裂的血管段、删除虚假分支，有效提升了血管树的拓扑完整性。另一部分研究将生成对抗网络（GAN）用于后处理，以初始分割结果作为输入，通过判别器区分真实血管掩码与生成掩码，引导生成器修正分割结果中的错误区域，尤其对造影剂充盈不足的血管区域分割效果提升显著。冠脉分割的最终目标是获取完整的血管树拓扑结构，因此中心线提取与拓扑校正也是重要的研究方向。传统的中心线提取方法如最小路径法、拓扑细化法对分割结果的质量要求较高，当分割结果存在断裂时容易出现中心线提取错误。基于深度学习的中心线提取方法则直接从原始影像中预测血管的中心线与半径信息，结合初始分割结果构建完整的血管树结构，部分研究采用多任务学习框架，同时实现血管分割、中心线预测、狭窄分类三个任务，通过任务间的特征共享提升各任务的性能，其输出的结构化血管树能够直接用于后续的血流动力学分析与手术规划。此外，部分研究将领域知识融入拓扑优化过程，例如根据冠脉的解剖命名规则（左前降支、左回旋支、右冠状动脉等）约束血管树的分支结构，排除不符合解剖逻辑的虚假分支，进一步提升了分割结果的临床可用性。四、多模态融合与跨域泛化研究临床中冠脉影像存在多种模态，除了常用的CCTA与ICA外，还有血管内超声（IVUS）、光学相干断层扫描（OCT）、心脏磁共振（CMR）等模态，不同模态的影像能够提供互补的结构与功能信息。多模态融合分割方法通过整合不同模态的影像特征，有效提升了分割精度与鲁棒性。早期的多模态融合方法多采用输入层融合、特征层融合或决策层融合的策略，例如将CCTA的解剖结构信息与心肌灌注成像的功能信息融合，更准确地区分血管与周围缺血心肌组织。近年来，跨模态注意力机制、模态自适应归一化等技术被应用于多模态融合分割，能够自动学习不同模态特征的权重，在存在模态缺失、配准误差的情况下仍能保持稳定的分割性能。跨域泛化是冠脉分割模型走向临床应用的关键挑战之一，由于不同医院的影像设备、扫描参数、患者人群存在差异，在单一数据集上训练的模型往往在其他中心的数据集上性能出现大幅下降。为解决这一问题，域适应技术被广泛应用于冠脉分割领域，无监督域适应方法通过对齐源域与目标域的特征分布，无需目标域的标注数据即可提升模型在目标域的性能，典型方法包括基于对抗训练的特征对齐、风格迁移、自训练等。部分研究针对多中心数据的特性，采用联邦学习框架在不共享患者隐私数据的前提下实现多中心联合训练，训练得到的模型泛化性能显著优于单中心训练的模型，尤其适合医疗数据隐私保护要求较高的临床场景。此外，领域泛化技术也逐渐受到关注，其目标是在多个源域上训练一个能够直接泛化到未知目标域的模型，无需在目标域上进行微调，更符合临床实际应用中快速部署的需求。五、临床应用与未来发展方向目前基于深度学习的冠脉分割技术已经逐渐进入临床应用阶段，国内外多家医疗器械企业已经推出了基于AI的冠脉影像辅助诊断系统，能够自动完成冠脉分割、中心线提取、狭窄程度评估、斑块分析等全流程处理，将医生的影像分析时间从传统的30分钟以上缩短至5分钟以内，大幅提升了诊断效率。部分研究显示，AI辅助分割系统的冠脉狭窄诊断准确率已经达到了资深心内科医生的水平，尤其在微小血管狭窄、复杂钙化病变的识别上甚至优于人工判断。但目前的临床应用仍存在一些局限：多数模型仅能处理单一模态的影像，对复杂病例的鲁棒性仍有待提升，且模型的决策过程缺乏可解释性，难以获得临床医生的完全信任。未来冠状动脉分割领域的研究方向主要集中在以下几个方面：一是构建大规模、多中心、多模态的标注数据集，建立统一的评估标准，促进不同研究成果的横向对比与技术迭代；二是发展更高效的小样本学习、弱监督学习方法，进一步降低数据标注成本，提升模型在罕见病例、复杂病变上的泛化能力；三是融合医学领域知识，开发具有可解释性的深度学习模型，能够在输出分割结果的同时提供决策依据，提升临床医生