通过领域注意力的 CT 强健肺气肿百分比定量：多族裔动脉硬化研究 (MESA) 肺部研究
内容提要
该综述回顾了多项深度学习肺部分割研究：自动评分肺气肿亚型准确率达52%，高于此前的45%；MEDPSeg可分割肺、气道、血管及病变；MESAHA-Net精准分割肺结节；肺叶分割采用混合损失解决类别失衡；S-MEDSeg提升病变分割并研究长期COVID；还发现X线肺掩模低估肺容积，半监督模型可自动标注肺栓塞。
延伸解读
自动评分准确率提升的临床意义
文章指出，自动评分肺气肿亚型的准确率从45%提升至52%，且与视觉评分的一致性良好。这意味着深度学习工具在辅助医生进行肺气肿定量分析时，可能减少主观差异，提高评估效率。但52%的准确率仍有限，读者需注意其作为辅助工具的定位，而非完全替代人工判读。
多任务学习在肺部分割中的优势
MEDPSeg通过多任务学习和多态训练，能同时分割肺、气道、肺动脉和肺病变，并在磨玻璃影和病变分割上达到先进水平。这种端到端方法减少了手动分割的负担，尤其适用于标注稀缺的病变区域。开源实现和图形界面进一步降低了使用门槛，但实际部署需考虑数据格式兼容性。
X线肺掩模低估肺容积的风险
研究发现，遵循心脏、纵隔和膈肌轮廓创建的X线肺掩模会严重低估肺区域，排除大部分肺部，可能导致临床错误。这提醒读者，在基于X线进行肺容积评估时，需谨慎对待自动分割结果，避免因掩模不准确而影响诊断或治疗决策。
半监督学习在肺栓塞标注中的应用
针对肺栓塞病变区域标注，基于HRNet的半监督模型仅需少量未标记图像即可适应不同数据集，并在mIOU、Dice系数和灵敏度上显著优化。这为自动标注CTPA图像提供了可行方案，但文章未提及临床验证规模，读者应关注其泛化能力和实际部署效果。
Q&A
深度学习在肺气肿视觉评分自动化方面取得了什么进展？
通过深度学习自动化Fleischner协会的视觉评分系统，识别和分析肺气肿亚型和严重程度。在COPDGene研究中，算法预测准确率达到52%，超过之前方法的45%，且与视觉评分一致性良好，还能计算每个肺部的肺气肿受累百分比，并扩展到间质性肺气肿亚型。
MEDPSeg是什么？它有什么特点？
MEDPSeg是一种端到端方法，用于单向预测肺部、气道、肺动脉和肺病变分割。它使用多任务学习和多态训练，结合了来自不同来源的6000多个不同格式的CT扫描标签，在多个目标中取得最先进性能，特别是在地面玻璃浑浊度和病变分割方面，并提供了开源实现。
MESAHA-Net如何实现肺结节的精确分割？
MESAHA-Net是一种基于多编码器的自适应硬注意力网络，包含关注块和解码器块，采用新颖的自适应硬注意力机制，能在不同输入下对肺结节进行2D逐层分割，生成3D容积分割。在LIDC-IDRI数据集上评估，具有高鲁棒性、更好的分割精度和计算复杂度。
肺叶分割中如何解决类别失衡问题？
通过设计一个混合损失函数来解决类别失衡问题，并在手动标注的数据集上测试，在独立数据集上取得了比基线模型高达5.87%的表现提升。
S-MEDSeg在肺部病变分割和长期COVID研究中有何应用？
S-MEDSeg是一种基于深度学习的方法，通过改进已有方法实现了精确分割胸部CT图像中的肺部病变，网络改进显著提高了分割性能。并在研究长期COVID住院患者的数据集中应用，研究了后急性感染疫苗对肺部病变程度的影响。
胸部X线肺掩模存在什么潜在问题？
肺部掩模创建缺乏明确标准和规范指南，导致注释者之间主观性高。研究发现，按照当前最先进方法创建的胸部X线分割掩模严重低估肺部区域，并排除了很大部分肺部，这可能导致许多临床错误。
半监督模型如何用于自动标注肺栓塞？
本研究提出了一种基于HRNet的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与标准模型相比，在mIOU、Dice系数和灵敏度方面实现了显著优化。
