VesselSim：无需专家标注的3D血管分割学习方法

医学图像分析中的血管分割是血管疾病诊疗和手术规划的核心任务，但获取专家标注的血管数据一直是深度学习技术发展的主要瓶颈。针对这一挑战，来自康科迪亚大学等机构的研究团队提出了VesselSim框架，该框架完全摆脱了对真实标注数据的依赖，仅通过合成数据训练即可实现高质量的三维血管分割。

VesselSim采用两阶段架构。第一阶段是随机几何驱动的血管模拟系统，该系统通过数学建模模拟血管的递归分支、曲率控制生长以及碰撞感知拓扑结构，生成具有解剖学合理性的三维血管网络。该模拟过程考虑了血管的生理特性，例如分支角度、管径变化以及避免血管之间相互重叠的碰撞检测机制。随后，研究团队应用域随机化强度合成技术，为这些模拟血管赋予类似真实医学影像的灰度特征，包括从不同扫描协议和噪声水平中提取的统计特性，从而构建了包含16,500个样本的合成血管造影体积数据集。这一数据集的规模和多样性为后续模型的鲁棒训练奠定了坚实基础。

第二阶段则基于该合成数据训练一个3D U-Net分割模型。该模型采用编码器-解码器架构，能够有效提取三维血管的几何特征并生成精确的分割掩膜。初始训练在纯合成数据上进行，使模型掌握了血管的基本形态学模式。然而，合成数据与真实临床影像之间仍存在域差距，这可能导致模型在实际应用中性能下降。

为了弥合这一域差距，VesselSim引入了一种创新的测试时自适应策略。该策略通过一个自监督掩码重建解码器，使模型能够在推理过程中逐步适应未见过的临床扫描数据，而无需任何目标域的预先标注信息。具体而言，在测试阶段，模型首先对输入图像进行初始分割，然后利用重建解码器尝试恢复被随机掩码的图像区域，通过自监督损失来调整模型参数，从而适应目标域的图像特征。这种方法有效解决了合成数据泛化到真实医学图像的关键挑战，同时保持了对未知扫描的零样本适应能力。

研究团队在多个真实世界的MRI和CT数据集上对VesselSim进行了零样本评估，涵盖脑部和肾脏等不同解剖区域。脑部数据集包括颅内血管MRI和CT血管造影，肾脏数据集则涉及肾动脉和微血管结构。实验结果显示，尽管训练数据完全来自合成血管，VesselSim的分割性能仍能与当前最先进的血管分割基础模型（如nnU-Net和Swin UNETR）相媲美。在多个指标（如Dice相似系数和豪斯多夫距离）上，VesselSim均表现出竞争力，尤其在处理管径细小、分支复杂的血管网络时，其鲁棒性尤为突出。

这一发现表明，从合成管状结构中学习血管几何特征能够实现鲁棒的跨域泛化能力，从而大幅减少对已获取医学影像数据以及专家标注的依赖。该研究为医学图像分析中数据稀缺问题提供了一种可行的解决方案，尤其适用于缺乏大量高质量标注数据的医疗应用场景，如罕见血管疾病研究和低资源医疗环境。此外，VesselSim的模块化设计使其能够方便地扩展到其他管状结构分割任务，如气道和淋巴管分割，具有广阔的应用前景。该论文已被MICCAI 2026接收，并将在会议上正式发表。