近年来，经自然腔道的肺部疾病诊疗技术由于其无创性与灵活性受到了广泛关注与应用。医生通常在术前通过CT图像进行病灶的初步定位以及手术规划。在手术规划过程中，针对肺部气道与血管的手动三维重建过程耗时较长并且准确性难以保证。

图源：IEEE Transactions on Medical Imaging
为了解决以上问题，基于计算机辅助诊断技术，特别是深度学习技术的术前规划研究方兴未艾。其中，基于卷积神经网络（CNNs）的算法在肺部气道与动静脉分割任务中难度较高，主要原因在于管状目标与背景之间的类别不均衡与标注的稀疏性。上海交通大学医疗机器人研究院杨广中教授团队提出了一种基于CT图像的精确气道和动脉静脉的方法，对细小的外围支气管与动静脉具有较高的准确性。首先，使用特征校准模块，有效提取空间信息并保留激活区域的相对优先权，这有益于随后的逐通道重新校准。然后，引入注意蒸馏模块以加强管状对象的表示学习。细粒度高分辨率注意力特征中的细节可以通过反向传播节用于丰富背景学习。此外，使用肺部背景图的解剖先验和距离变换图的设计，以获得更好的动脉-静脉分化能力。

图：算法基本流程
该项工作通过在真实病人的CT图像进行大量的实验，证明了该算法的在肺部气道与动静脉分割的准确性。
相关研究论文以《Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT》为题，于2月26日在线发表于IEEE Transactions on Medical Imaging杂志。（DOI: 10.1109/TMI.2021.3062280）
论文链接：https://ieeexplore.ieee.org/document/9363945