《Scientific Reports》：LobePrior segments lung lobes on computed tomography images in the presence of severe abnormalities
编辑推荐：
面对肺叶裂隙显示不清及严重病变导致的自动分割难题，本研究推出LobePrior算法。该工作结合深度神经网络与概率模型，通过三阶段处理流程，并在训练中引入合成病灶增强。经LOLA11、LOCCA及COVID-19数据集验证，其Dice分数高达0.978，性能优于现有方法，为临床诊断提供了可靠的自动化工具。
在肺部疾病的诊断与随访中，医生往往需要借助高分辨率的计算机断层扫描（Computed Tomography, CT）图像来观察病灶的形态与位置。然而，仅仅看到病灶还不够，精确地将其定位到特定的肺叶（如左肺上叶、右肺中叶等）对于制定手术方案或评估肿瘤分期至关重要。这就好比在一张复杂的城市地图上，不仅要找到地标建筑，还要明确它属于哪个行政区。长期以来，这项工作依赖于医生手动勾画，不仅耗时耗力，而且不同医生之间的判断标准可能存在差异。于是，自动化的肺叶分割技术应运而生。
但理想很丰满，现实却很骨感。现有的自动分割算法在面对“完美”的肺部影像时尚可应付，一旦遇到患有严重肺部疾病的患者，情况就急转直下。例如，当患者肺部出现巨大的肿瘤结节或严重的COVID-19磨玻璃影（Consolidations）时，原本清晰的肺叶间裂（Lobar Fissures）会变得模糊甚至完全消失。这种解剖结构的破坏使得算法“找不着北”，导致分割结果一塌糊涂。为了解决这一临床痛点，来自研究团队开发了一款名为LobePrior的创新性自动化肺叶分割方法，并将这项研究成果发表在了《Scientific Reports》上。
为了攻克这一难题，研究人员并没有局限于单一的深度学习模型，而是采用了一种融合策略。他们设计了一个三阶段的分割流水线：首先是一个处理下采样图像的粗分割阶段，用来锁定大致范围；接着进入高分辨率阶段，利用专门设计的注意力U型网络（Attention U-Net, AttUNet）对每一个肺叶进行精细分割；最后还有一个后处理阶段来优化结果。此外，为了应对训练数据不足和病变区域的干扰，他们还引入了基于标签融合的概率模型作为解剖学先验（Anatomical Priors）来引导网络，并在训练过程中使用了合成病灶生成技术进行数据增强。
在验证环节，研究团队可谓做足了功课。他们没有止步于标准的LOLA11数据集，还额外引入了三个更具挑战性的数据集，分别包含癌性结节和COVID-19实变病例。结果令人振奋：LobePrior展现出了卓越的性能。在LOCCA数据集上，其Dice相似系数达到了0.966；而在COVID-19 CT数据集上，更是高达0.978。统计数据显示，在所有数据集上，该方法均显著优于当时的竞争方法。这证明了LobePrior能够有效整合解剖学先验知识与深度学习，即使在严重的肺部异常情况下，也能提供可靠的肺叶分割结果。
主要关键技术方法
该研究构建了一个三阶段的自动化分割框架。第一阶段采用粗分割处理下采样图像以确定肺部大体轮廓；第二阶段利用高分辨率输入，部署专门的注意力U型网络（AttUNet）独立分割每个肺叶；第三阶段进行精细化后处理。为解决标注难题，研究利用标签融合技术构建概率模型作为解剖学先验指导网络训练，并采用合成病灶生成技术扩充训练集以增强鲁棒性。模型评估涵盖了LOLA11、LOCCA及包含癌性结节与COVID-19实变的多个独立数据集，通过Dice分数等指标进行量化对比。
研究结果
Abstract
摘要部分指出，开发稳健的肺叶分割算法对肺病诊疗至关重要。针对严重异常病例中肺裂显示不清导致的标注困难，研究提出了LobePrior方法。该方法结合了深度神经网络与概率模型，通过三阶段流程实现精准分割。实验证明，相比人工标注金标准，LobePrior在LOLA11及含癌性结节、COVID-19实变的数据集上均达到业界领先水平，在LOCCA数据集上Dice分数为0.966，在COVID-19数据集上为0.978，且统计学上显著优于其他方法，验证了其在严重肺部异常下整合解剖先验与深度学习的有效性。
研究结论与讨论
本研究成功开发了一种名为LobePrior的自动化肺叶分割方法，其核心创新在于将深度神经网络的强大特征提取能力与基于解剖学先验的概率模型进行了深度融合。这一策略有效解决了传统算法在肺叶间裂因病变而模糊或消失时的“失明”问题。通过在粗分割、高分辨率精细分割及后处理的全流程中嵌入针对性的技术手段，特别是利用合成病灶生成技术模拟真实世界的复杂病理情况，模型学会了在噪声和干扰中识别真实的肺叶边界。
实验结果强有力地支撑了这一方法的优越性。无论是在通用的LOLA11数据集，还是在极具挑战性的LOCCA（包含癌性结节）和COVID-19 CT数据集上，LobePrior均取得了优异的Dice分数，特别是在处理伴有严重实变的COVID-19病例时表现出的高精度，凸显了其临床实用潜力。统计显著性差异进一步证实了该方法并非偶然优于基线模型，而是具有实质性的性能提升。
从更广泛的视角来看，这项研究的意义不仅仅在于提供了一个高精度的分割工具。它为医学影像分析中如何处理“异常”数据提供了一个新的范式——即通过引入解剖学先验知识和数据增强策略，来弥补单一数据驱动模型的局限性。这对于推动人工智能在复杂临床环境中的应用具有重要的参考价值。未来，这种结合概率模型与深度学习的思路有望拓展到其他器官或病变区域的分割任务中，进一步推动精准医疗的发展。
