3D 血管分割，以最大强度投影的 2D 标注为监督
内容提要
该文综述了血管分割的多种深度学习方法，包括：基于单个2D投影深度监督分割3D胰周动脉、自适应半监督分割脑血管、弱监督框架分割冠状动脉、生成模型合成血管树提升肾小球微血管分割、基于HiP CT建立肾脏血管分割基准、FocalSegNet结合CRF从MRA粗标签分割颅内动脉瘤、DeepVesselNet降低计算复杂度、半弱监督学生-教师模型分割视网膜液体、边界体素与最小曲面优化血管拓扑，以及半监督域自适应实现跨模态脑血管分割。
延伸解读
2D 投影监督：降低 3D 血管标注成本
文章提出仅使用一个 2D 投影的标注来深度监督 3D 胰周动脉分割，显著减少标注工作量。通过将 2D 标签映射到 3D 空间并纳入训练，几乎消除了 3D 监督与 2D 监督之间的性能差距。这表明在标注成本高昂的 3D 医学图像中，利用低维投影监督是一种可行且高效的替代方案。
弱监督与半监督：应对标注不完整与模糊
针对血管标注中常见的部分或模糊问题，文章介绍了多种弱监督和半监督方法。例如，自适应半监督方法通过渐进式学习和边界增强，提升了小血管捕捉能力；弱监督框架利用局部特征和全局结构，在冠状动脉 CTA 上达到与全注释模型相当的主干连续性。这些方法为标注资源有限的实际场景提供了解决方案。
合成数据与网络设计：提升分割鲁棒性
文章提到使用生成模型合成血管树来训练分割，提高了肾小球周围微小血管的准确性。DeepVesselNet 采用 2D 十字卷积和合成数据集，在降低计算复杂度的同时保持较高准确率。这些策略表明，合成数据和针对性的网络设计可以缓解真实数据稀缺和计算资源受限的问题。
拓扑优化与域自适应：改善结构完整性与跨模态泛化
通过提取边界体素并基于最小曲面建立连接模型，血管分割的拓扑结构得到改善，Betti 误差和 LR、BR 误差指标更优。半监督域自适应方法则利用图像转换和语义分割，在不同模态间实现图像级自适应，目标领域 Dice 差距仅 8.9%。这些技术有助于提升血管结构的完整性和跨模态应用的稳定性。
Q&A
如何减少3D血管分割的标注工作量？
可以使用仅基于单个2D投影的深度监督方法，通过将2D标签映射到3D空间并纳入训练，几乎消除3D监督与2D监督之间的性能差距，从而大幅减少标注需求。
脑血管分割中如何处理小血管和模糊标注？
采用自适应半监督方法，结合渐进式半监督学习、自适应训练策略和边界增强，能有效捕捉小血管并处理部分或模糊标注数据，在网格分割度量上表现优越。
弱监督学习如何用于冠状动脉分割？
基于部分血管标注的弱监督框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在CTA图像上超过其他方法，主干连续性达到与全注释模型相当的性能。
生成模型如何提升肾小球微血管分割？
使用生成模型模拟合成血管树并训练血管分割，提高细分肾小球周围微小血管的准确性，并在真实扫描上完成分割验证。
HiP CT在肾脏血管分割基准中表现如何？
基于HiP CT成像的三个肾脏双注释器数据集，采用nnU-Net模型，分割性能clDice值在0.82到0.88之间，但存在大血管分割效果较差（因缺乏静水压力）和细小血管连接性减弱等错误。
FocalSegNet如何从MRA粗标签中分割颅内动脉瘤？
使用FocalSegNet和条件随机场后处理的弱监督学习技术，从时间飞行MRA的粗略标签中获取精细的未破裂颅内动脉瘤分割，Dice分数0.68，95% Hausdorff距离0.95毫米，焦点调制技术有益。
DeepVesselNet有什么特点？
DeepVesselNet是一种适用于血管图像分割的网络结构，主要使用2D十字卷积滤波器和合成数据集进行训练，能在降低计算复杂度的同时实现较高准确率。
如何改善血管分割的拓扑结构？
通过在神经网络分割结果中直接提取边界体素，在最小曲面的基础上建立最优连接模型，并改进血管分割，能有效处理血管分散和结构完整性，改善Betti误差和LR、BR误差指标，使血管具有更精确的拓扑结构。
半监督域自适应如何实现跨模态脑血管分割？
基于半监督域自适应的脑血管分割方法，通过图像到图像的转换和语义分割，利用分离且语义丰富的潜在空间表示异构数据，在不同模态之间进行图像级别自适应，实现高效稳定训练，同源领域最佳性能与目标领域Dice值差距8.9%。
