AirMorph：用于肺气道分析的拓扑保持深度学习方法
图像与视频处理
2025-05-09 v2 计算机视觉与模式识别
摘要
从胸部 CT 中对肺部结构及其周围解剖结构进行精确的解剖标注与分析，对于理解异常病因或支持靶向治疗及早期干预变得越来越重要。尽管已有尝试构建肺和气道细胞图谱，但仍缺乏可临床部署的细粒度形态学图谱。在本工作中，我们引入了 AirMorph，这是一个稳健的端到端深度学习流水线，能够实现肺叶、段和亚段分辨率下的全自动、全面气道解剖标注，可用于创建肺部的数字图谱。在包含多种肺部疾病的大规模多中心数据集上进行的评估表明，AirMorph 在准确性、拓扑一致性和完整性方面始终优于现有的分割与标注方法。为了简化临床解释，我们进一步引入了一种紧凑的解剖特征签名，用于量化关键的形态学气道特征，包括狭窄、扩张、扭曲、发散、长度和复杂性。当应用于肺纤维化、肺气肿、肺不张、实变和网状阴影等多种肺部疾病时，它展现出强大的判别能力，揭示了具有高可解释性的疾病特异性形态学模式。此外，AirMorph 支持高效的自动分支模式分析，有可能增强支气管镜导航规划和手术安全性，为改进诊断、靶向治疗和个性化患者护理提供有价值的临床工具。
引用
@article{arxiv.2412.11039,
title = {AirMorph: Topology-Preserving Deep Learning for Pulmonary Airway Analysis},
author = {Minghui Zhang and Chenyu Li and Fangfang Xie and Yaoyu Liu and Hanxiao Zhang and Junyang Wu and Chunxi Zhang and Jie Yang and Jiayuan Sun and Guang-Zhong Yang and Yun Gu},
journal= {arXiv preprint arXiv:2412.11039},
year = {2025}
}
备注
Under Review