基于深度学习的内颅动脉自动标注及其不确定性量化
计算机视觉与模式识别
2026-03-25 v1 机器学习
摘要
内颅动脉的准确解剖标注对于脑血管诊断和血流力学分析至关重要，但目前仍耗时且存在算子间变异性。我们提出了一种基于深度学习的框架，用于自动从 3D 时间流动磁共振血管成像（3D ToF-MRA）分割图（样本数 n=35）中进行动脉标注，并引入不确定性量化以提升可解释性和可靠性。我们评估了三种卷积神经网络架构：（1）带残差编码器模块的 UNet，这反映了血管标注中常用的基线方法；（2）CS-Net，这是一种集成通道注意力和空间注意力机制的注意力增强 UNet，用于增强曲线状结构识别；（3）nnUNet，这是一个自配置框架，可自动根据数据集特征进行预处理、训练和架构调整。其中，nnUNet 取得了最高的标注性能（平均 Dice 评分：0.922；平均表面距离：0.387 mm），在解剖复杂血管上表现出更好的鲁棒性。为评估预测置信度，我们实现了测试时数据增强（TTA）并提出一种新颖的坐标引导策略，以减少增强推理期间的插值误差。 resulting uncertainty maps 可可靠地指示解剖模糊性、病理变异或手动标注不一致的区域。我们进一步通过将自动标注与手动标注在共配准的 4D Flow MRI 数据集中进行比较，观察到两者之间存在接近的流动速度，且无统计学显著差异。我们的框架提供了一种可扩展、准确且具不确定性感知能力的自动脑血管标注解决方案，支持下游血流力学分析并促进临床集成。
引用
@article{arxiv.2509.17726,
title = {Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning},
author = {Javier Bisbal and Patrick Winter and Sebastian Jofre and Aaron Ponce and Sameer A. Ansari and Ramez Abdalla and Michael Markl and Oliver Welin Odeback and Sergio Uribe and Cristian Tejos and Julio Sotelo and Susanne Schnell and David Marlevi},
journal= {arXiv preprint arXiv:2509.17726},
year = {2026}
}
备注
16 pages, 6 figures