0
| 本文作者： 陳淑瑜 | 2026-06-03 16:16 | 專題：CVPR 計算機視覺與模式識別會議 |
來源：公眾號“深圳大學計算機與軟件學院”
原文鏈接：https://mp.weixin.qq.com/s/-TEOd5vE1M0yqULtKf-0PQ?scene=1&click_id=26
3D肺血管分割廣泛應用于肺血管疾病早期篩查、臨床診斷、治療方案規劃等場景，核心是從肺部CT影像中自動精準提取三維血管結構，為肺血管相關疾病的評估與診療提供關鍵支撐，同時也面臨血管樹狀拓撲復雜、尺度差異懸殊、低對比度細小血管難識別、背景相似組織干擾、CT運動偽影影響等臨床共性挑戰。
深圳大學計算機與軟件學院吳惠思教授團隊及香港理工大學秦璟教授等人在該方向上完成了一項創新工作，并發表在CVPR 2026會議上，該工作對3D肺部血管進行精確分割，下面讓我們深入了解下它。
Zhipeng Liu1, Guilian Chen1, Zheng Jiang1, Huisi Wu1*, Jing Qin2
1Shenzhen University
2The Hong Kong Polytechnic University
圖1. VesMamba方法整體架構
3D肺血管分割是醫學影像分析中的核心任務，目標是在血管復雜的樹狀拓撲、尺度差異懸殊、低對比度、CT運動偽影及相似組織干擾等臨床條件下，實現肺部血管的精準分割。相關技術廣泛應用于肺血管疾病早期篩查、臨床診斷、治療規劃與預后評估等領域。現有方法主要包括傳統灰度特征分割、基于CNN的分割、CNN-Transformer混合分割以及基于Mamba分割方法。前兩類方法難以充分捕捉血管長程結構依賴，或易受背景噪聲干擾且無法高效建模多尺度的復雜血管，難以適配有限的臨床計算資源；基于Mamba的分割方法雖具備高效長程建模能力，但缺少視覺任務所必需的空間感知能力，對細小血管分割與復雜拓撲追蹤的能力受限。
該工作提出了一種基于Mamba的3D肺血管分割方法VesMamba。該方法的核心思想是利用空間門控結構感知機制賦予Mamba三維空間感知能力以捕捉血管長程拓撲依賴，結合雙向尺度感知過濾器實現編碼器特征的多尺度噪聲抑制，通過掩碼約束解碼器保障分割結果的一致性與精準度，實現肺部CT影像下復雜血管的高效精準分割。該方法能夠完成血管復雜拓撲的準確建模，有效緩解相似組織和CT偽影的干擾；結合多尺度特征增強策略，能夠同時處理血管尺度懸殊、低對比度細小血管、結構重疊及運動偽影等問題。該方法主要包括三部分：
空間門控結構感知（SSP）模塊
首先，通過SSP模塊中的動態空間注意力卷積為Mamba賦予空間感知能力，高效捕捉樹狀拓撲血管的長程依賴關系。
雙向尺度感知過濾（BSF）模塊
其次，引入BSF模塊對編碼器特征進行雙向融合與多尺度噪聲過濾，強化復雜背景下血管特征的表征能力。
掩碼約束解碼器（MCDecoder）
最后，采用掩碼約束解碼器利用高層掩碼直接約束相鄰低層推理，提升分割的一致性與精準度。
相對于主流3D肺血管分割方法，VesMamba在分割精度、血管拓撲完整性、細小血管分割效果方面均取得顯著提升。
提出了一種空間門控結構感知（SSP）的血管特征提取方法
將Mamba與動態空間注意力卷積（DSAC）結合，為模型賦予3D空間感知能力，高效捕捉肺血管長程拓撲依賴關系，為復雜樹狀血管的精準分割提供強結構特征支撐；
設計了一種雙向尺度感知過濾（BSF）的編碼器特征增強方法
用于多尺度編碼器特征的噪聲抑制與信息融合。該方法不直接輸出融合特征，而是通過門控機制過濾不同尺度噪聲，有效克服傳統方法對背景相似組織、低對比度細小血管干擾敏感的問題；
構建了一種掩碼約束（MCDecoder）的分層解碼策略
并引入深度監督約束機制，通過高層掩碼引導低層解碼器推理，縮小預測偏差，同時能夠在血管結構重疊、CT偽影干擾的情況下實現穩健的肺血管分割。
該方法的具體流程如圖2所示。其輸入為肺部3D的CT影像數據，針對肺部CT影像中血管復雜的樹狀拓撲、尺度跨度大、低對比度細小血管辨識度低、背景組織干擾與CT偽影等核心挑戰，從空間感知建模、多尺度特征增強、解碼一致性約束三個維度設計核心技術方案，構建兼顧精度、效率與魯棒性的3D肺血管分割框架。
圖2. DSAC示意圖
如圖1所示，VesMamba采用經典的編碼器—解碼器架構，整體由五層編碼器、空間門控結構感知（SSP）模塊、雙向尺度感知濾波（BSF）模塊、掩碼約束解碼器（MCDecoder）組成。模型先通過Stem層完成初步特征提取，得到基礎特征圖；隨后送入五層編碼器進行多尺度特征挖掘，嚴格遵循分層設計規則：編碼器前三層采用殘差卷積，負責提取血管淺層局部細節特征；編碼器后兩層嵌入空間門控結構感知（SSP）模塊，用于捕捉血管長程拓撲依賴與復雜空間結構。SSP模塊由空間門控Mamba（SGM）與自注意力組成，其中動態空間注意力卷積（DSAC）可動態適配3D血管數據的空間各向異性，如圖2所示，為Mamba賦予空間感知能力，使其高效建模血管樹狀拓撲，自注意力則進一步強化長程特征關聯；在SSP瓶頸處，采用多尺度空間注意力門（MSAG）替代普通自注意力，引導模型聚焦不同尺度的血管區域。
圖3. BSF示意圖
為解決編碼器多尺度特征噪聲干擾、信息互擾問題，模型引入雙向尺度感知濾波（BSF）模塊，對五層編碼器輸出的多尺度特征進行雙向融合與降噪增強。如圖3所示，該模塊采用高層到低層、低層到高層的雙向特征融合方式，結合深度移位卷積高效完成3D特征交互，聚合局部細節與全局輪廓信息；并將融合特征以門控機制過濾各層編碼器特征不同尺度噪聲，從而抑制背景相似組織、CT運動偽影等干擾，強化血管的特征表達能力。
解碼階段采用掩碼約束解碼器（MCDecoder），基于深度監督機制實現精準分割。將經BSF增強的編碼器特征與SSP瓶頸高層特征送入解碼器，利用高層掩碼中的血管輪廓、位置信息直接約束相鄰低層解碼器的推理過程，通過殘差卷積與上采樣完成特征融合，逐層修正分割結果，保障血管分割的一致性、拓撲完整性與邊界精準度。
VesMamba通過分層特征提取、SSP模塊實現Mamba空間感知與長程拓撲建模、BSF模塊完成多尺度特征降噪增強、MCDecoder實現解碼精準約束，四大核心組件協同配合，實現CT影像中3D肺血管的高效、精準、魯棒分割。
如下圖所示，相對于其他SOTA方法，本文方法在不同尺度的3D肺部血管上的分割結果具有更少的假陽性和假陰性，展現了本文方法分割的精準性。
圖4. 結果對比。綠色、黃色和紅色分別代表真陽性、假陽性和假陰性。
CT圖像中的3D肺部血管分割作為醫學影像分析的核心任務，具有重要的科研與臨床價值。而自動化的分割所面對的3D肺部血管往往呈現復雜的樹狀拓撲、尺度差異大、細小血管低對比度模糊，且伴隨CT運動偽影、血管重疊交叉、動靜脈組織高度相似等難題，為精準分割帶來了極大挑戰。現有方法往往無法充分建模血管長程樹狀拓撲依賴、難以抵御多尺度噪聲干擾，且在臨床算力約束下難以兼顧精度與效率。本文提出一種新穎的分割方案VesMamba，借助空間門控結構感知與雙向尺度感知過濾機制，賦予Mamba空間感知能力并增強多尺度特征的表達能力，此外結合深度監督，使用深層掩碼直接約束相鄰低層解碼器推理過程從而提升分割的精準度和一致性。本文方法在高效建模復雜長程依賴的同時抑制背景噪聲的干擾，實現了性能與計算效率的平衡，為CT影像下3D肺部血管分割提供了全新的技術思路。
專題
