⚡ electrical engineering

Bronchovascular Tree-Guided Weakly Supervised Learning Method for Pulmonary Segment Segmentation

本文提出了一种名为 AHSL 的弱监督学习方法，通过利用肺段与支气管血管树的解剖层级关系设计损失函数，并结合两阶段分割策略与一致性约束，实现了无需像素级标注的高效肺段分割。

原作者： Ruijie Zhao, Zuopeng Tan, Xiao Xue, Longfei Zhao, Bing Li, Zicheng Liao, Ying Ming, Jiaru Wang, Ran Xiao, Sirong Piao, Rui Zhao, Qiqi Xu, Wei Song

发布于 2026-04-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ruijie Zhao, Zuopeng Tan, Xiao Xue, Longfei Zhao, Bing Li, Zicheng Liao, Ying Ming, Jiaru Wang, Ran Xiao, Sirong Piao, Rui Zhao, Qiqi Xu, Wei Song

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种新的 AI 方法，用来帮医生在 CT 扫描图像中精准地“切分”肺部的每一个小区域（肺段）。为了让你更容易理解，我们可以把肺部想象成一个复杂的城市，把 AI 模型想象成一个新来的城市规划师。

以下是用通俗语言和比喻对这篇论文的解读：

1. 背景：为什么这很难？（城市的迷雾）

肺部的结构：我们的肺就像一个大城市，分成了 5 个大的“区”（肺叶），每个区里又细分为 18 个小的“街道”（肺段）。
医生的难题：
- 大区的边界很清晰：肺叶之间有明显的“城墙”（肺裂），医生一眼就能看出来，AI 也很容易学会。
- 小街道的边界是模糊的：在同一个肺叶里，不同的肺段之间没有明显的墙，它们像融化的冰淇淋一样混在一起。医生很难在 CT 片子上画出精确的界线。
后果：如果要让 AI 学会画这些界线，通常需要医生一笔一划地标注（像素级标注），这就像让一个人花几个月时间把整个城市的每一块地砖都涂上颜色，太累、太慢、太贵了。

2. 核心创意：利用“血管树”做路标（AHSL 方法）

既然直接画“街道”太难，作者想了一个聪明的办法：不直接画街道，而是先画“路标”。

比喻：肺段是由血管和气管（支气管血管树）定义的。就像每个街区都有独特的路灯和水管分布一样。
- 如果你知道某根血管属于哪个街区，那么这根血管周围的区域自然也就属于那个街区了。
新方法（AHSL）：
- 作者提出了一种叫“解剖层级监督学习”的方法。
- 策略：AI 不需要医生去画模糊的肺段边界，只需要医生标注出清晰的大区域（肺叶）和血管/气管的位置。
- 逻辑：AI 会遵循一个规则——“血管在哪里，肺段就在哪里；血管属于哪个大区域，肺段就属于哪个大区域”。这样，AI 就顺着血管这根“线”，自动把模糊的“面”（肺段）给勾勒出来了。

3. 两步走的战术（两阶段分割策略）

为了让 AI 看得更清楚，作者设计了一个“两步走”的训练计划：

第一阶段：先画“骨架”
- 让 AI 先专注于把肺里的动脉、静脉和气管画得清清楚楚。这就像先画出城市的“主干道”和“水管网”。
- 因为血管在 CT 上比较清晰，这一步很容易学。
第二阶段：顺着骨架填色
- 把第一步画好的“血管骨架”和原来的 CT 图像叠在一起，喂给 AI 进行第二次学习。
- 比喻：这就好比给城市规划师提供了一张带有清晰路标的地图。有了这些路标，AI 就不会迷路，能准确地判断出哪块肉属于哪个肺段，即使在没有路标的地方也能猜对。

4. 解决“锯齿”问题（一致性损失）

问题：有时候 AI 画出来的边界像锯齿一样坑坑洼洼，或者中间有个洞，这在医学上是不行的（手术切错了会出血）。
比喻：就像你切蛋糕，如果切得歪歪扭扭，蛋糕就碎了。
解决方案：作者加了一个“平滑惩罚机制”（一致性损失）。
- 如果 AI 发现相邻的两个像素点，一个说是“左边的街道”，一个说是“右边的街道”，而且它们离得很近，AI 就会受到“惩罚”。
- 这迫使 AI 把边界画得平滑、圆润，像切蛋糕一样整齐。

5. 怎么评价画得好不好？（#holes 指标）

通常我们看 AI 画得好不好，是看它重合了多少（Dice 分数）。
但作者觉得，对于肺段来说，**“有没有洞”**更重要。
比喻：如果你画一个圆，中间有个洞，那就不叫圆了。作者发明了一个叫 #holes（孔洞数） 的指标。
- 如果画出来的肺段像瑞士奶酪一样全是洞，说明画得很烂。
- 如果画出来是实心的、光滑的，孔洞数接近 0，说明画得很好。
- 实验证明，他们的方法让“孔洞数”大幅减少，几乎变成了完美的实心块。

6. 总结：这有什么用？

省人力：医生不需要再花几个小时去画那些模糊的肺段边界了，只需要标注血管和肺叶（这快得多）。
更精准：AI 顺着血管走，画出来的肺段符合真实的解剖结构（血管在哪，肺段就在哪）。
更平滑：画出来的边界光滑，没有锯齿和破洞，医生可以直接拿去规划手术，不用担心切错地方。

一句话总结：
这就好比教一个新手画家画地图，与其让他去猜模糊的街道界线，不如先让他把清晰的“河流和道路”画出来，然后告诉他“河流左边是 A 区，右边是 B 区”，最后再帮他把手里的笔迹修得平滑一点。这样，他就能画出一张既准确又完美的城市地图了。

以下是基于论文《Bronchovascular Tree-Guided Weakly Supervised Learning Method for Pulmonary Segment Segmentation》（支气管血管树引导的肺段弱监督学习方法）的详细技术总结：

1. 研究背景与问题 (Problem)

临床需求：肺段（Pulmonary Segment）的精确分割对于肺癌定位和手术规划（如肺段切除术）至关重要。
核心难点：
- 标注困难：肺段之间的边界在 CT 图像中通常不可见（缺乏明显的物理界限），导致像素级（Pixel-wise）的完全监督学习（FSL）标注极其耗时且困难。
- 结构完整性丢失：在 3D 医学图像分割中，常用的 Patch（切片块）推理方式容易破坏支气管血管树（Bronchovascular Tree）的结构完整性。当推理 Patch 未能包含不同肺段的父级分支时，模型容易生成错误且不连续的段边界。
- 现有弱监督方法的局限：现有的弱监督方法（如利用点或图特征）往往忽略了肺段的临床解剖定义，导致分割出的肺段未能准确包裹对应的支气管血管结构。

2. 方法论 (Methodology)

作者提出了一种名为 AHSL (Anatomy-Hierarchy Supervised Learning，解剖层级监督学习) 的新方法，主要包含以下核心组件：

A. 两阶段分割策略 (Two-Stage Segmentation Strategy)

为了解决 Patch 推理导致的结构信息丢失问题，设计了级联网络：

第一阶段：直接对全图进行支气管（气道）和动脉的分割。由于这些结构易于标注，使用完全监督学习（FSL）训练 U-Net 网络。此阶段不分割静脉（因为间段静脉位于边界，难以分类）。
第二阶段：将第一阶段的支气管血管分割结果（作为先验知识掩码）与原始 CT 图像拼接，输入到第二个网络中进行肺段分割。
- 作用：利用明确的支气管血管结构先验信息，指导模型在缺乏明显纹理边界的区域准确识别肺段边界，防止因局部 Patch 信息缺失导致的误判。

B. 解剖层级监督学习 (Anatomy-Hierarchy Supervised Learning)

利用肺段的临床解剖定义设计损失函数，采用弱监督策略（无需肺段像素级真值，仅需肺叶和支气管血管标签）：

解剖定义：
1. 肺段必须完全包含在对应的肺叶内。
2. 肺段必须包裹其对应的动脉和支气管。
3. 间段静脉作为边界，段内静脉包含在段内。
监督信号设计：
- 段级标签 (Segment-level)：直接监督支气管血管区域（BV）。确保模型输出的肺段准确包裹对应的动脉和支气管。
- 叶级标签 (Lobe-level)：间接监督肺叶区域（L）。确保肺段被限制在对应的肺叶范围内，防止过度分割。
损失函数：
- $Loss_{direct}$ ：针对 BV 区域，结合召回率（Recall）和交叉熵（CE），强制模型将 BV 周围的体素纳入对应的段中。
- $Loss_{indirect}$ ：针对 L 区域，结合 Dice 和 CE 损失，确保体素属于该肺叶下的某个子段。

C. 一致性损失 (Consistency Loss)

目的：解决肺段边界不规则、锯齿状的问题。
原理：计算概率图的拉普拉斯算子（Laplacian）的 L1 范数。通过惩罚中心体素与其 6 邻域体素概率值的差异，强制概率图在局部保持一致，从而生成平滑的分割边界。
总损失函数： $Loss = Loss_{direct} + \lambda_1 Loss_{indirect} + \lambda_2 Loss_{consistence}$ 。

D. 评估指标：#holes

提出了一种新的平滑度评估指标 #holes，用于量化分割结果的拓扑复杂度。
分别计算轴状面、矢状面和冠状面上的孔洞数量并求和。孔洞越少，代表边界越平滑、解剖结构越合理。

3. 关键贡献 (Key Contributions)

提出 AHSL 方法：首次将肺叶层级和支气管血管树结构作为指导，利用弱监督学习实现肺段分割，严格遵循临床解剖定义。
两阶段策略：引入支气管血管先验信息，有效解决了 3D Patch 推理中结构信息丢失导致的边界错误问题。
一致性损失：提出基于拉普拉斯算子的损失函数，显著提升了肺段边界的平滑度。
新评估指标：提出了 #holes 指标，从拓扑角度定量评估分割边界的平滑性和合理性。

4. 实验结果 (Results)

数据集：私有数据集共 200 例 CT（104 例 CTPA，96 例 NCCT），分为训练集（159 例）和测试集（41 例）。
对比基线：与现有的弱监督方法 IPGN 相比。
定量结果：
- Dice 分数：AHSL 在动脉（Dice_Artery）和气道（Dice_Airway）的包裹准确率上均显著优于 IPGN。例如，在 CTPA 数据上，动脉 Dice 提升了约 30%（从 0.702 提升至 0.923），气道 Dice 提升了约 70-80%。
- 平滑度 (#holes)：AHSL 的 #holes 指标极低（CTPA 为 1.47，NCCT 为 1.17），而 IPGN 高达 180+，表明 AHSL 生成的边界极其平滑，拓扑结构正确。
消融实验：
- 加入两阶段策略后，Dice 分数提升，#holes 显著下降（减少约 40-50%）。
- 加入一致性损失后，在保持 Dice 分数不变的情况下，#holes 进一步大幅下降（减少约 93-94%），彻底解决了边界不规则问题。
外部验证：在 21 例多中心外部数据上，由两名资深放射科医生评分（1-5 分制），AHSL 的平均得分分别为 3.67 和 3.71，证明了其临床适用性和鲁棒性。

5. 意义与价值 (Significance)

临床实用性：该方法无需昂贵的像素级肺段标注，降低了数据准备成本，同时生成的分割结果符合临床解剖定义（包裹血管、位于肺叶内），可直接辅助手术规划。
技术突破：通过引入解剖先验（支气管血管树）和层级监督，有效解决了医学图像中“无清晰边界”结构的分割难题。
质量提升：提出的平滑度损失和新指标 #holes，不仅优化了模型训练，也为医学图像分割的质量评估提供了新的拓扑学视角，确保了分割结果在几何上的合理性。

综上所述，该论文提出了一种结合解剖先验和弱监督学习的创新框架，在降低标注成本的同时，显著提高了肺段分割的精度和边界质量，具有重要的临床应用价值。