腹主动脉瘤(AAA)是一种可能危及生命的疾病，对患者的医学图像进行分割以得到精准的AAA图像，对于临床诊疗具有重要意义，但业界一直缺乏针对血管直径尺度变化显著的AAA(肾下腹主及髂动脉，从数米到数公分)的精准分割算法。

2024年9月21日，阜外医院舒畅教授、罗明尧教授与北京科技大学张雪岚教授团队于Computers in Biology and Medicine发表题为BlF-Net: Boundary information fusion network for abdominal aortic aneurysm segmentation的文章，针对腹主动脉瘤腔内修复术(EVAR)前后的解剖特征结构进行研究，构建了针对AAA的高精度分割模型，尤其是血管边缘的特征提取更加完整，分割结果中包含了多的纹理信息。

图一、文章摘要图

该研究利用阜外医院115例AAA患者术前图像数据和114例术后图像数据进行实验，在基于Gabor和Sobel算子丰富全局特征信息的基础上，本研究提出了一种边缘特征损失函数，旨在优化样本不平衡问题，并在训练过程中补充因卷积操作可能丢失的语义信息。所提出的BIFNet算法成功实现了对术前与术后医学图像中AAA的高精度分割，分别取得了93.29%和91.01%的Dice相似系数(DSC)精度。这-成果为AAA分割算法领域带来了新的思考方向，并对AAA的临床诊断和治疗具有重要的实际应用价值。

内容

图二展示了所提出的BIF-Net架构，该架构在采样阶段采用了导向滤波(GFFS)模块，以获取对AAA分割至关重要的特征信息。此外，Gabor和Sobel空洞卷积(GSDC)模块和空间通道注意力(CSAM)模块利用空洞卷积和注意机制来扩大感受视野，引导模型对目标进行深度监督，提高算法对血管边缘特征信息的利用率。

图二、本研究所提出的BIF-Net的整体架构

所提出的 BIF-Net 与其他方法的结果对比如图三所示,其他方法在提取髂内动脉和髂外动脉等小直径血管时表现不佳(由黄色箭头指示)，并且包含许多非AAA 的组织结构(由蓝色箭头指示)。所提出 BIF-Net 预测的AAA 结果与真实结果高度相似，DSC、表面平均距离(ASD)和Jaccard系数的平均得分分别为 93.29 %、0.32和88.25%，与TransUnet和 nnU-Net 相比，BIF-Net的DSC分别提高了6.86%和9.68%，Jaccard分别提高了 10.28% 和 13.91%。左侧 AAA 的最大直径差异比较进一步证明了 BIF-Net 对直径尺度可变血管的提取能力。

图三、所提出的BIF-Net与最先进模型在术前数据集上分割结果的定性对比

图四展示了所提出模型对8个随机选择案例的分割结果强调了该方法在识别和处理直径尺度显著变化的AAA血管方面的有效性和鲁棒性。其中第四个案例的血管直径尺度差异最大，达到 75.38 mm(最大直径为 81.27 mm，最小直径为 5.89 mm)。

图四、所提出的模型对 8 例代表性 AAA 患者的分割结果

图五展示了BIF-Net 与其他模型在术后数据集上结果的定性比较。AAA术后数据集的病例包含更多的纹理细节，大部分算法的分割结果无法保证髂动脉的完整性(由黄色箭头指示)，导致整体血管结构不完整(由蓝色箭头指示)。BIF-Net结果的平均 DSC、Jaccard、Precision和Sensitivity分别为 91.01%、84.41%、97.32%和86.20%。与SwinUnet相比，BIF-Net的DSC、Jaccard、Precision和Sensitivity分别提高了3.85%、566%、13.59% 和7.45%。BIF-Net 的结果与真实结果高度一致，其受到数据集的影响可以忽略不计，在术后数据的分割上与其他模型相比具有相当大的优势。

图五、所提出的BIF-Net与最先进模型在术后数据集上分割结果的定性对比

图六提供了 BIF-Net 的8 个随机案例分割结果。所提出模型的结果包含了丰富的纹理信息，同时进一步优化了小直径血管的完整性和连贯性。

图六、所提出模型对 8 例随机术后 AAA 患者的分割结果

为了强调所提出模型对血管边界的敏感程度，图七展示了AAA中三个区域的血管边界分割结果对比情况:腹主动脉、髂总动脉、髂内动脉和髂外动脉。BIF-Net 的 AAA 边界分割结果与真实结果高度相似，展示了基在AAA 边界特征识别和提取方面的出色能力。

图七、所提出BIF-Net与最先进模型的分割结果边界定性对比

所提出算法对整个AAA疾病治疗过程中图像高精度分割的有效性是本研究的核心，图八展示了所提出的方法分别在三位患者术前和术后数据集上的分割结果。基于术前数据集， BIF-Net 实现了 AAA 的高精度分割。对于术后数据集，BIF-Net的分割结果包含丰富的纹理特征信息，提供了 EVAR 期间放置支架和血管形态的准确 3D 结构图像,与其他方法相比，本研究提出方法在术前和术后数据上分别获得了 93.29% 和 91.01% 的 DSC精度，在 AAA分割中表现出卓越的性能。本研究提出的 BIF-Net 对于 AAA的诊断、EVAR 的指导和恢复监测具有重要意义。

图八、所提出的BIF-Net在三组随机术前和术后数据上的分割结果

述评

本研究结合Gabor和Sobel算子以及边缘特征损失函数等提出了用于AAA精确分割的BIF-Net。通过研究EVAR术前和术后的AAA数据并进行训练，BIF-Net实现了对AAA边界特征的精确捕捉和分割，为AAA医学图像的分割提供了新的解决方案。