《Physica Medica》：Enhancing pulmonary embolism diagnosis: a squeeze-and-attention U-Net for precise detection and segmentation in CT angiography
编辑推荐：
自动肺栓塞分割的深度学习模型研究，结合Squeeze-and-Attention模块和LSTM网络，在多中心数据集上验证了像素级分割Dice系数69.87%和 lesion-level灵敏度98.79%，证实SA模块提升分割精度7.58%，但小栓子检测仍存挑战。
Hanie Arabian|Alireza Karimian|Marjan Mansourian|Alireza Dehghan|Ebrahim Etaati|Hossein Arabi|Habib Zaidi
伊朗伊斯法罕大学工程学院生物医学工程系
摘要
目的
肺栓塞（PE）是一种危及生命的疾病，需要快速准确的诊断。本研究提出了一种基于深度学习的方法来实现肺栓塞的自动分割，同时关注像素级别的准确性和临床适用性。通过在网络架构中加入Squeeze-and-Attention（SA）模块来提高分割性能，并评估其在多中心数据集上的泛化能力。
材料与方法
开发了一种结合卷积层、长短期记忆（LSTM）单元和SA块的神经网络架构。该模型使用两个公开可用的PE数据集和两个私有数据集进行了训练和评估。性能评估采用了五折交叉验证、保留测试和消融研究方法。评估指标在像素级别、切片级别和病变级别进行计算，分别针对每个患者和每个切片。
结果
结果显示，在公共数据集上，像素级别的Dice相似系数为69.87%，病变级别的敏感性为98.79%，表明分割准确性具有竞争力。加入SA块显著提高了性能，Dice得分提高了7.58%，同时降低了假阳性和假阴性率。该模型在不同成像中心和扫描仪类型上表现出良好的泛化能力。
结论
所提出的模型在PE分割方面表现出可接受的准确性，并且在多种数据集上具有鲁棒性。其设计和评估框架支持其在临床应用中的潜力。然而，准确划分小栓塞仍然具有挑战性，需要进一步研究以提高此类情况下的分割性能。未来的工作将集中在实时部署和集成到诊断工作流程中。
引言
肺栓塞（PE）是指肺动脉被血栓阻塞，这些血栓通常源自下肢深静脉血栓形成（DVT）[1]，[2]，[3]。PE既常见又严重，常常导致呼吸困难和心血管问题[4]，[5]，[6]。因此，对于PE患者来说，快速诊断和治疗至关重要，因为其临床表现具有异质性，经常与其他疾病的症状重叠，这给及时诊断和管理带来了复杂性[7]，[8]，[9]，[10]，[11]。
PE是一种常见的医疗状况，每年大约每10万人中有60人受到影响。这种情况在住院患者、接受手术的患者以及有静脉血栓病史的患者中尤为普遍[8]。临床医生通过临床评估、通气-灌注（V/Q）扫描和计算机断层扫描肺血管造影（CTPA）来识别肺栓塞、评估其严重程度并制定治疗策略。然而，这些方法存在固有的局限性，包括成本高昂、受患者整体临床状况影响的观察者间差异，以及需要经验丰富的放射科医生[7]，[12]，[13]。
为了解决这些挑战，人工智能（AI）和机器学习的进步引入了新的诊断方法[4]，[14]。由于CTPA扫描中肺栓塞的高度复杂性和空间变异性，深度神经网络，特别是卷积架构，在学习层次结构和空间特征方面比传统的机器学习方法具有更强的能力。在这一领域的进展中，神经网络，尤其是卷积神经网络（CNN），在医学图像分析中表现出显著的效果，因为它们能够识别出人类观察可能忽略的复杂模式[15]，[16]，[17]。CNN在图像分割任务中表现出色，并在分割肺栓塞方面显示出高准确性，从而能够评估栓塞的严重程度和在肺血管中的空间分布[18]。这种自动化减轻了放射科医生的认知负担，促进了更快、更一致的诊断工作流程[19]，[20]。
尽管现有的AI驱动方法已经显示出有希望的结果，但仍存在许多挑战。许多现有模型依赖于高质量的训练数据集，这些数据集无法充分捕捉现实世界临床环境的多样性，从而限制了它们的泛化能力。此外，假阳性和假阴性问题仍然是一个重要问题，需要不断改进和验证这些模型。例如，Yang等人（2019年）提出了一种两阶段CNN用于CTPA图像中的PE检测，达到了75.4%的敏感性，平均每次检查有两个假阳性。然而，他们的方法在泛化能力方面遇到了挑战，因为它们依赖于高质量的训练数据集[7]。同样，Huang等人（2020年）开发了PENet模型，这是一个77层的3D卷积神经网络。该网络在多种数据集上表现出强大的泛化能力，但假阳性率相对较高，增加了对放射科医生监督的需求[11]，[21]。2019年，Yang等人提出了一种基于ResNet架构的两阶段CNN用于PE检测（阳性或阴性）。所提出的网络在CADPE[22]数据集上达到了75.4%的敏感性和2%的假阳性率（FPR）。由于该数据集仅限于一个中心，结果可能不具备完全的泛化能力，这突显了未来研究中需要在多中心数据集上进行验证的必要性[7]。2020年，Weikert等人评估了一种基于ResNet架构的AI增强算法用于CTPA扫描中的PE检测，在私有数据集上报告了92.7%的敏感性和95.5%的特异性。然而，依赖于单一机构的数据以及不同中心之间PE患病率的差异引发了对其广泛泛化能力的担忧[23]。2021年，Yuan等人基于ResNet架构改进了Faster R-CNN模型，增加了对小栓塞的检测准确性。这种方法显著减少了假阳性，并在私有数据集上实现了85.88%的平均准确性。然而，它依赖于一个小型且非公开的数据集，这对其更广泛的泛化能力提出了质疑[24]。2021年，Long等人开发了一种结合临床信息（如最可能的PE位置）的Mask R-CNN来检测和分割PE病变，在FUMPE数据集上达到了69.84的Dice得分和37.55的平均精确度（AP）[25]，[26]。2022年，Huhtanen等人开发了一种基于InceptionResNet-V2架构的深度学习模型，尽管使用了标记较差的私有数据集，但仍实现了86.6%的高敏感性和93.5%的特异性[27]，[28]。2022年，Xiaotian等人提出了一种基于ResNet架构的两阶段算法来检测PE的存在并分类其类型或位置，在RSNA数据集上达到了86%的敏感性[27]。该模型未能检测到一些小的PE病变，主要位于肺的左下叶节段和亚节段部分[28]，[29]。2022年，Ajmera等人提出了一种带有Xception编码器的2D U-Net架构用于自动PE检测，重点在于减少漏诊，而不是精确的病变勾画，在私有数据集上的敏感性为80，准确率为76[30]。2023年，Xu等人提出了一种深度学习模型Scaled-YOLOv4用于自动PE检测，在FUMPE数据集上实现了84.10的召回率和72.74的AP[26]。研究结果表明，Scaled-YOLOv4可以实时高效地检测PE，帮助放射科医生及时做出诊断，最终减少患者护理延迟的风险[31]。2023年，Khan等人利用DenseNet201框架在RSNA数据集上检测PE的存在[27]，达到了88%的敏感性。这项研究使用的数据集仅包含阳性PE病例，可能导致选择偏差，限制了模型在现实世界应用中的泛化能力[32]。2023年，Pu等人提出了一种基于R2-Unet的新算法用于无手动勾画的PE分割。该模型在RSNA数据集的一个子集上实现了67.6的Dice得分和62的敏感性，FPR为1.86[27]，[33]。2024年，Silva等人基于InceptionResNet-V2和LSTM块开发了一种RNN，用于CT切片中的PE检测，在RSNA数据集上实现了69的堆叠级敏感性和56的切片级敏感性[27]，[34]。2025年，Amini等人研究了急性肺栓塞的完全自动分割，包括nnU-Net和基于变压器的VT-UNet。nnU-Net在私有CTPA数据集上实现了88.25 ± 10.19的Dice相似系数和10.57 ± 34.56 mm的平均第95百分位Hausdorff距离（HD95），并在五折交叉验证框架中进行了测试[35]。
当前模型的一个主要限制是它们依赖于同质数据集，这些数据集无法完全捕捉现实世界实践中的人口统计和临床多样性。未来的模型应结合并利用更多多样化的数据集来提高其泛化能力。尽管基于AI的模型具有很大的潜力，但仍存在挑战，包括图像质量的变化、噪声问题，以及对小或微小栓塞的准确分割需求，这对于正确的诊断和治疗计划至关重要。
本研究是我们之前工作[36]，[37]，[38]的扩展，旨在通过开发一种基于神经网络的强大方法来克服上述挑战，实现PE的自动诊断和分割。通过利用CNN架构的进步并解决现有问题（如数据集的多样性和高假阳性率），这项研究旨在提高诊断准确性并优化临床工作流程。除了像素级的栓塞分割外，还结合了切片级检测，以反映解读CTPA研究的实际工作流程。放射科医生通常依次检查轴向切片，识别包含栓塞的切片子集可以显著减少阅读时间，并在紧急情况下促进早期分流。因此，切片级预测作为像素级分析和患者级诊断之间的中间决策层，它允许与之前发布的报告切片级敏感性和假阳性率的PE检测系统进行直接比较。将基于AI的模型整合到临床实践中可以加速诊断，提高临床工作流程的效率，并通过早期和准确的肺栓塞识别来改善结果。此外，它还可以为放射科医生提供临床上的解决方案，减轻他们的认知负担。此外，这些进步在心血管和肺部诊断领域具有更广泛的应用前景。
材料与方法
本研究提出了一种使用改进的U-Net CNN架构进行自动PE检测和分割的强大方法。通过结合先进的图像处理和深度学习技术，该方法解决了PE检测中的挑战，包括小栓塞的分割和在多种数据集上的泛化能力。研究分为五个主要阶段：数据选择、图像处理、数据增强、模型架构设计和训练，以及在内部数据集上的模型评估
结果
模型的性能在三个阶段进行了评估：（1）在公共数据集上进行五折交叉验证；（2）在公共数据集的未见数据集上进行测试；（3）在两家医院收集的私有内部数据集上进行评估。此外，通过消融研究分析了Squeeze-and-Attention块的影响，比较了包含和不包含这些组件的模型性能。评估指标包括Dice、Jaccard、敏感性、特异性、AUC、FPR、FNR等
讨论
在紧急情况下，准确分割肺栓塞对于自动检测PE至关重要。所提出的深度学习模型在CTPA扫描中分割肺栓塞方面表现出可接受的准确性，在公共和私有数据集上都取得了有竞争力的Dice、Jaccard和AUC分数。我们的评估考虑了三个级别的分割：像素级别、切片级别和病变级别，提供了多尺度的模型性能评估。
结论
本研究提出了一种基于深度学习的分割模型，使用Squeeze-and-Attention块和LSTM进行CTPA扫描中的PE检测和分割，在像素级别、切片级别和病变级别上都表现出可接受的准确性。加入Squeeze-and-Attention块提高了分割性能。所提出的框架通过实现自动PE检测和分割，可以帮助放射科医生减轻诊断负担并提高早期干预效果
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢伊斯法罕大学（UI）提供的财政支持。
