Deep learning-driven pulmonary arteries and veins segmentation reveals demography-associated pulmonary vasculature anatomy

肺动脉-静脉分割对于诊断肺部疾病和手术规划至关重要，传统上通过计算机断层扫描肺动脉造影（CTPA）实现。然而，由于CTPA使用造影剂可能会导致不良健康影响，限制了其临床效用。相比之下，使用非对比CT识别动脉和静脉长期以来被认为是不可能的，但它是一种常规且低成本的临床检查方法。在这里，我们提出了一种高丰度肺动脉-静脉分割（HiPaS）框架，可以在不同的空间分辨率下准确地对非对比CT和CTPA进行动脉-静脉分割。HiPaS首先通过超分辨率模块对原始CT扫描进行空间归一化，然后通过利用低级血管分割作为高级血管分割的先验，逐级实现不同分支水平的分割结果。我们在建立的多中心数据集上对HiPaS进行了训练和验证，该数据集包括1,073个CT体积和精细的手动注释。定量实验和临床评估均表明HiPaS的性能优越，达到91.8％的Dice分数和98.0％的灵敏度。进一步实验证明了HiPaS在非对比CT上的分割与CTPA上的分割相比没有劣势。使用HiPaS，我们在中国的5个地点对10,613名参与者进行了肺血管解剖学研究，发现了肺血管丰度与性别和年龄之间的新关联：在肺容积控制下，女性的血管丰度显著高于男性，稍微随年龄下降（p < 0.0001）。实现准确的动脉-静脉分割的HiPaS为临床诊断和了解肺生理学提供了一种有前途的非侵入性途径。

本文旨在解决肺动脉-静脉分割的问题，提出了一种在非对比CT和CTPA上实现准确血管分割的方法，旨在避免对比剂带来的不利影响。

HiPaS框架通过超分辨率模块对原始CT扫描进行空间归一化，然后通过利用低级别血管分割作为高级别血管分割的先验，迭代地在不同的分支层次上实现分割结果。

本文在多个空间分辨率上对HiPaS进行了训练和验证，并使用了一个由1,073个CT体积组成的数据集进行了评估。实验结果表明，HiPaS的性能优于当前领域中的其他方法，并且在非对比CT上的分割结果与CTPA上的分割结果相当。本文还发现了肺血管丰度与性别和年龄之间的新关联。最后，本文提出的HiPaS框架可以为临床诊断和理解肺生理学提供一种非侵入性的方法。

在这个领域中，最近还有一些相关的研究，例如“DeepVesselNet: Vessel Segmentation, Centerline Prediction, and Bifurcation Detection in 3-D Angiographic Volumes”和“Automatic segmentation of pulmonary lobes robust against incomplete fissures and heterogeneous emphysema using deep learning and airway-centered features”。