醫學圖像分析中的血管分割是血管疾病診療和手術規劃的核心任務，但獲取專家標註的血管數據一直是深度學習技術發展的主要瓶頸。針對這一挑戰，來自康科迪亞大學等機構的研究團隊提出了VesselSim框架，該框架完全擺脱了對真實標註數據的依賴，僅通過合成數據訓練即可實現高質量的三維血管分割。
VesselSim採用兩階段架構。第一階段是隨機幾何驅動的血管模擬系統，該系統通過數學建模模擬血管的遞歸分支、曲率控制生長以及碰撞感知拓撲結構，生成具有解剖學合理性的三維血管網絡。該模擬過程考慮了血管的生理特性，例如分支角度、管徑變化以及避免血管之間相互重疊的碰撞檢測機制。隨後，研究團隊應用域隨機化強度合成技術，為這些模擬血管賦予類似真實醫學影像的灰度特徵，包括從不同掃描協議和噪聲水平中提取的統計特性，從而構建了包含16,500個樣本的合成血管造影體積數據集。這一數據集的規模和多樣性為後續模型的魯棒訓練奠定了堅實基礎。
第二階段則基於該合成數據訓練一個3D U-Net分割模型。該模型採用編碼器-解碼器架構，能夠有效提取三維血管的幾何特徵並生成精確的分割掩膜。初始訓練在純合成數據上進行，使模型掌握了血管的基本形態學模式。然而，合成數據與真實臨牀影像之間仍存在域差距，這可能導致模型在實際應用中性能下降。
為了彌合這一域差距，VesselSim引入了一種創新的測試時自適應策略。該策略通過一個自監督掩碼重建解碼器，使模型能夠在推理過程中逐步適應未見過的臨牀掃描數據，而無需任何目標域的預先標註信息。具體而言，在測試階段，模型首先對輸入圖像進行初始分割，然後利用重建解碼器嘗試恢復被隨機掩碼的圖像區域，通過自監督損失來調整模型參數，從而適應目標域的圖像特徵。這種方法有效解決了合成數據泛化到真實醫學圖像的關鍵挑戰，同時保持了對未知掃描的零樣本適應能力。
研究團隊在多個真實世界的MRI和CT數據集上對VesselSim進行了零樣本評估，涵蓋腦部和腎臟等不同解剖區域。腦部數據集包括顱內血管MRI和CT血管造影，腎臟數據集則涉及腎動脈和微血管結構。實驗結果顯示，儘管訓練數據完全來自合成血管，VesselSim的分割性能仍能與當前最先進的血管分割基礎模型（如nnU-Net和Swin UNETR）相媲美。在多個指標（如Dice相似係數和豪斯多夫距離）上，VesselSim均表現出競爭力，尤其在處理管徑細小、分支複雜的血管網絡時，其魯棒性尤為突出。
這一發現表明，從合成管狀結構中學習血管幾何特徵能夠實現魯棒的跨域泛化能力，從而大幅減少對已獲取醫學影像數據以及專家標註的依賴。該研究為醫學圖像分析中數據稀缺問題提供了一種可行的解決方案，尤其適用於缺乏大量高質量標註數據的醫療應用場景，如罕見血管疾病研究和低資源醫療環境。此外，VesselSim的模塊化設計使其能夠方便地擴展到其他管狀結構分割任務，如氣道和淋巴管分割，具有廣闊的應用前景。該論文已被MICCAI 2026接收，並將在會議上正式發表。