通过“人在回路”（human-in-the-loop）框架实现肺动脉和静脉的精确分割，并将其应用于慢性阻塞性肺疾病（COPD）的研究中

《Medical & Biological Engineering & Computing》：Accurate segmentation of pulmonary arteries and veins via a human-in-the-loop framework with application in COPD

提出基于人机协同（HITL）的肺动静脉分割框架，通过三次迭代构建30个金标准数据集并训练三个深度学习模型，最佳模型Dice系数86.2%、IoU75.7%。应用于COPD患者CT影像，发现动脉静脉体积、表面积随病程增加，且小动脉结构损失更显著，揭示两者重塑模式差异，验证HITL框架提升标注效率及模型鲁棒性，为COPD诊断提供工具

　　

摘要

肺部血管疾病可能通过不同的生理机制影响动脉和静脉，因此需要分别评估这两种血管系统。然而，手动分析胸部计算机断层扫描（CT）图像既耗时又具有主观性，并且难以扩展到临床研究。为了解决这个问题，我们提出了一种新颖的“人在循环中”（Human-in-the-Loop, HITL）框架，用于注释和模型训练，以开发自动化的肺动脉-静脉分割模型。通过三轮迭代的HITL流程，我们构建了30个黄金标准的注释数据集，并训练了三个深度学习模型。最优模型的性能表现优异，Dice系数为86.2%，交并比（IoU）为75.7%，敏感性为85.8%，精确度为88.1%。随后将该模型应用于慢性阻塞性肺疾病（COPD）患者的CT扫描中，用于分割肺动脉和静脉。定量分析显示，随着COPD的进展，肺动脉和静脉的体积及表面积均有所增加。此外，小血管的截断现象变得更加明显，且小动脉的结构损伤比静脉更严重。这些发现表明，在不同疾病阶段，动脉和静脉系统的重塑模式存在显著差异。我们的基于HITL的框架不仅提高了注释效率，还促进了强大分割模型的开发。这种方法在医学图像分析领域具有广泛的应用前景，为表征COPD中的血管变化提供了有价值的工具，有助于改善诊断和患者管理。

图形摘要

肺部血管疾病可能通过不同的生理机制影响动脉和静脉，因此需要分别评估这两种血管系统。然而，手动分析胸部计算机断层扫描（CT）图像既耗时又具有主观性，并且难以扩展到临床研究。为了解决这个问题，我们提出了一种新颖的“人在循环中”（Human-in-the-Loop, HITL）框架，用于注释和模型训练，以开发自动化的肺动脉-静脉分割模型。通过三轮迭代的HITL流程，我们构建了30个黄金标准的注释数据集，并训练了三个深度学习模型。最优模型的性能表现优异，Dice系数为86.2%，交并比（IoU）为75.7%，敏感性为85.8%，精确度为88.1%。随后将该模型应用于慢性阻塞性肺疾病（COPD）患者的CT扫描中，用于分割肺动脉和静脉。定量分析显示，随着COPD的进展，肺动脉和静脉的体积及表面积均有所增加。此外，小血管的截断现象变得更加明显，且小动脉的结构损伤比静脉更严重。这些发现表明，在不同疾病阶段，动脉和静脉系统的重塑模式存在显著差异。我们的基于HITL的框架不仅提高了注释效率，还促进了强大分割模型的开发。这种方法在医学图像分析领域具有广泛的应用前景，为表征COPD中的血管变化提供了有价值的工具，有助于改善诊断和患者管理。

图形摘要