[论文解读] AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases Treatment: Status Quo

Yuan Jin, Antonio Pepe+7 more|arXiv (Cornell University)|Aug 6, 2021

Aortic aneurysm repair treatments参考文献 86被引用 10

一句话总结

本文全面综述了基于人工智能的医学影像中主动脉血管树自动分割方法，重点聚焦于计算机断层扫描血管造影（CTA）。文章评估了深度学习与传统方法，识别出关键挑战，如缺乏大规模标注数据集和停止标准不一致，并提出了未来方向，包括公开数据集、基于图像块的网络结构以及基准挑战，以推动临床转化。

ABSTRACT

The aortic vessel tree is composed of the aorta and its branching arteries, and plays a key role in supplying the whole body with blood. Aortic diseases, like aneurysms or dissections, can lead to an aortic rupture, whose treatment with open surgery is highly risky. Therefore, patients commonly undergo drug treatment under constant monitoring, which requires regular inspections of the vessels through imaging. The standard imaging modality for diagnosis and monitoring is computed tomography (CT), which can provide a detailed picture of the aorta and its branching vessels if completed with a contrast agent, called CT angiography (CTA). Optimally, the whole aortic vessel tree geometry from consecutive CTAs is overlaid and compared. This allows not only detection of changes in the aorta, but also of its branches, caused by the primary pathology or newly developed. When performed manually, this reconstruction requires slice by slice contouring, which could easily take a whole day for a single aortic vessel tree, and is therefore not feasible in clinical practice. Automatic or semi-automatic vessel tree segmentation algorithms, however, can complete this task in a fraction of the manual execution time and run in parallel to the clinical routine of the clinicians. In this paper, we systematically review computing techniques for the automatic and semi-automatic segmentation of the aortic vessel tree. The review concludes with an in-depth discussion on how close these state-of-the-art approaches are to an application in clinical practice and how active this research field is, taking into account the number of publications, datasets and challenges.

研究动机与目标

• 系统性回顾医学影像中基于人工智能与传统方法对主动脉血管树进行自动与半自动分割的现有研究。
• 识别阻碍临床应用的关键挑战，包括标注数据集不足、分辨率限制以及分割边界不一致。
• 评估深度学习与经典方法在主动脉血管树分割中的性能与泛化潜力。
• 提出切实可行的未来研究方向，以弥合心血管影像研究与临床应用之间的差距。
• 为研究人员提供指导，识别主动脉血管树中尚未充分探索的研究领域以供未来研究。

提出的方法

• 对应用于CT和MRI影像中主动脉血管树的基于人工智能与经典分割技术的文献进行了系统性回顾。
• 根据是否使用深度学习（如U-Net变体、3D CNN）与传统图像处理方法（如Hessian滤波器、区域生长法）对方法进行分类与比较。
• 评估图像分辨率与下采样对分割精度的影响，倡导采用基于图像块的方法以保留解剖细节。
• 分析真实标签标注的作用，并提出需要建立标准化、公开可用的数据集，实现一致的标注规范。
• 讨论为血管分割定义通用停止标准的重要性，以确保不同扫描间可比性。
• 提出将经典方法与深度学习结合，以提升鲁棒性并减少标注负担。

实验结果

研究问题

• RQ1 当前在医学影像中用于分割主动脉血管树的最先进基于人工智能与传统方法有哪些？
• RQ2 在准确性、自动化程度与泛化能力方面，深度学习模型与经典图像处理技术相比如何？
• RQ3 哪些主要的技术与数据相关障碍阻碍了自动化主动脉血管树分割的广泛应用？
• RQ4 当前的数据集与标注实践在多大程度上支持可靠模型的训练与评估？
• RQ5 哪些未来研究方向——如公开挑战赛、基于图像块的网络结构或混合方法——可加速临床转化？

主要发现

• 深度学习方法在自动化与泛化能力方面优于传统方法，尤其在复杂分支结构分割中表现更优。
• 缺乏公开可用且高质量标注的数据集仍是模型开发与基准测试的主要瓶颈。
• 为网络输入而对全器官CTA扫描进行下采样会导致显著的解剖细节丢失，降低分割精度。
• 目前尚未就血管分割的停止标准达成共识，导致各研究间评估不一致。
• 当前的标注工具在生成大规模真实标签方面效率低下，限制了监督学习的可扩展性。
• 如SegTHOR等公开挑战赛已推动研究进展，但尚未完全覆盖完整的主动脉血管树，包括腹部与髂支。