技术摘要：SynVA——用于血管生成与动脉瘤编辑的模块化工具包

问题陈述

颅内动脉瘤（IAs）是导致中风和死亡的重要原因，但其不可预测的生长和破裂风险使得早期诊断和治疗计划复杂化。尽管数字孪生和深度学习为改善患者特异性预后和血流动力学分析（例如壁面剪切应力估算）提供了有前景的途径，但其有效性受到大规模、高质量、带标签的 3D 医学数据稀缺的严重制约。现有的真实世界数据集规模有限，且从医学影像重建准确的 3D 网格容易出错并需要专家干预。此外，当前的合成数据生成方法往往缺乏解剖学一致性；它们要么仅关注无病理的健康血管树，要么将动脉瘤生成为孤立对象，而非作为现有血管结构的局部变形。因此，迫切需要可扩展的方法，以生成具有集成动脉瘤的解剖学合理、完全带标签的 3D 血管网格，从而支持生成模型和下游视觉任务的训练。

方法论

作者提出了合成血管（SynVA），这是一个模块化工具包，旨在生成完全带标签的 3D 血管网格，涵盖健康几何结构和病理性动脉瘤形成。SynVA 将数据驱动的基于学习的模型与模型驱动的过程化方法相结合，并通过特定的生理工作流程进行统一：动脉瘤并非孤立生成，而是作为基于预定义瘤口（父血管与动脉瘤的交界处）的局部变形进行合成。

该工具包包含三个主要组件：

1. 健康血管生成（SynVA-V1）

该组件利用基于流匹配的生成模型来创建健康血管结构。其运行分为两个阶段：

• 拓扑生成： 使用 GPT 风格的自回归 Transformer 将离散血管拓扑学习为有根有向树。此阶段编码分支结构，不包含连续几何信息。
• 几何生成： 在给定固定拓扑的情况下，TreeFlowNet（一种拓扑感知的图神经网络）预测连续节点特征。这些特征包括相对于父节点的中心线位置、局部横截面控制点以及 B 样条节点参数。该模型使用最优传输条件流匹配在真实数据上进行训练（其中动脉瘤区域已被手动移除以创建健康真值）。
• 细化： 生成的样条树通过屏蔽泊松表面重建转换为水密表面网格，并在分叉处应用特定的平滑处理。

2. 瘤口条件化动脉瘤生成

一旦生成健康血管，瘤口即可通过自动方式（基于分叉区域或局部曲率先验）或通过图形用户界面（GUI）手动选择。三种不同的方法基于此瘤口生成动脉瘤网格：

• SynVA-A1： AneuG模型的改编版。它使用紧凑的图谐波变形（GHD）潜在表示。该模型以局部血管几何结构、显式瘤口环几何结构和形态学参数为条件。它采用条件变分自编码器（VAE）架构，并包含特定的损失项，以强制血管 - 动脉瘤界面处的几何一致性。
• SynVA-A2： MeshAnything V2的扩展版。它将网格生成重新表述为以部分解剖上下文为条件的自回归任务。该模型接收局部血管点云和显式瘤口网格（被标记为强制前缀），以生成作为瘤口延续的动脉瘤网格，而不是从完整点云重建完整形状。
• SynVA-P1（过程化）： 一种完全基于生理原理（例如用于血管直径的 Murray 定律）和统计先验的过程化模型。它生成一个分叉血管，选择一个瘤口，并从几何基元（二十面体球）合成动脉瘤囊，该基元经过拉伸、噪声扰动，并可选择性地添加“小泡”（与破裂风险相关的局部隆起）。

3. 后处理与拼接

对于所有方法，生成的动脉瘤网格均在瘤口界面处与父血管拼接。这涉及移除无效元素、重新计算法线、对齐网格以及平滑过渡区域，以生成单个连续的病理性血管网格，并带有语义顶点标签（健康血管、动脉瘤、瘤口）。

主要贡献

本文概述了四项主要贡献：

1. SynVA-V1： 一种基于流匹配的健康血管生成模型，在拓扑和几何指标上均优于现有基线（VesselGPT、VesselVAE）。
2. 瘤口条件化生成器： 两种方法论上截然不同的基于学习的模型（SynVA-A1 和 SynVA-A2），用于在现有血管上进行局部动脉瘤合成，解决了将动脉瘤建模为表面一致过程的空白。
3. 过程化模型（SynVA-P1）： 一种新颖的过程化方法，仅基于生物学和数学原理生成带标签的血管网格和动脉瘤，能够在不依赖患者特异性输入的情况下创建大规模数据集。
4. 大规模合成数据集： 发布了一个包含50,000 个完全带标签的 3D 网格样本（带动脉瘤的血管）的数据集，包括衍生的点云、子网格和形态学描述符，旨在用于训练基于网格的生成模型和下游任务。

结果

作者进行了广泛的定量和定性评估：

• 健康血管生成： SynVA-V1 在基线模型上取得了优越或具有竞争力的性能。在精选的测试集上，与 VesselGPT 相比，它表现出更低的最大均值差异（MMD）和更高的覆盖率（COV）及 1-最近邻准确率（1-NNA）。拓扑指标（节点度数的 KL 散度和拉普拉斯谱距离）也有所改善。
• 动脉瘤生成：
  • 定量： 在共享的成功生成子集上，SynVA-A1 在定量相似性指标（Chamfer 距离和形态学参数偏差）上表现出略优于 SynVA-A2 的性能。
  • 定性（专家研究）： 两位神经放射科医生对生成样本与真值进行了评分。虽然真值评分最高，但SynVA-A2获得了比 SynVA-A1 略高的真实感评分，尽管 SynVA-A1 的定量得分更好。专家指出，SynVA-A1 倾向于产生过于对称的形状，而 SynVA-A2 生成的形状具有更多临床上合理的 irregularties（不规则性），尽管其网格生成的失败率较高。
• 下游任务（语义分割）： 为了验证合成数据集的实用性，作者训练了一个 Point Transformer V3 (PTv3) 模型用于动脉瘤头识别。
  • 仅使用合成数据训练的模型在真实测试数据上表现不佳（mIoU 约为 36.8%），凸显了领域差距。
  • 然而，合成预训练后在真实数据上进行微调显著优于仅在真实数据上训练的模型，特别是在低数据 regime（例如 10% 真实数据）中。使用 40,000 个合成样本进行预训练，当在仅 10% 的真实数据上进行微调时，将 mIoU 从 50.41% 提升至 63.88%。

意义与主张

本文将 SynVA 定位为克服脑血管研究数据稀缺的关键步骤。通过将健康血管生成与动脉瘤合成解耦，并通过显式瘤口将它们连接起来，SynVA 将动脉瘤形成建模为局部的、以血管为条件的过程，这比孤立的形状生成更符合生理现实。

作者声称 SynVA 能够实现：

• 生成目前公共领域无法获得的大规模、多样化且完全带标签的数据集（50,000 个样本）。
• 改进下游任务的训练，这一点通过使用合成预训练在语义分割中取得的显著性能提升得到了证明。
• 受控编辑与分析，允许研究人员生成特定的病理变体，以研究破裂风险或训练诊断模型。

作者对当前的局限性保持谦逊：过程化模型仅限于单分叉，尚未捕捉到完整的患者级 Willis 环解剖结构；生成的几何结构针对形态学合理性进行了优化，但未明确建模血流动力学量（例如壁面剪切应力），需要进一步准备以用于计算流体动力学（CFD）模拟。他们强调，合成数据旨在用于研究、基准测试和预训练，在没有经过真实世界数据的广泛验证之前，不应作为临床决策的独立替代品。