0
| 本文作者： 陈淑瑜 | 2026-06-03 16:16 |
来源：公众号“深圳大学计算机与软件学院”
原文链接：https://mp.weixin.qq.com/s/-TEOd5vE1M0yqULtKf-0PQ?scene=1&click_id=26
3D肺血管分割广泛应用于肺血管疾病早期筛查、临床诊断、治疗方案规划等场景，核心是从肺部CT影像中自动精准提取三维血管结构，为肺血管相关疾病的评估与诊疗提供关键支撑，同时也面临血管树状拓扑复杂、尺度差异悬殊、低对比度细小血管难识别、背景相似组织干扰、CT运动伪影影响等临床共性挑战。
深圳大学计算机与软件学院吴惠思教授团队及香港理工大学秦璟教授等人在该方向上完成了一项创新工作，并发表在CVPR 2026会议上，该工作对3D肺部血管进行精确分割，下面让我们深入了解下它。
Zhipeng Liu1, Guilian Chen1, Zheng Jiang1, Huisi Wu1*, Jing Qin2
1Shenzhen University
2The Hong Kong Polytechnic University
图1. VesMamba方法整体架构
3D肺血管分割是医学影像分析中的核心任务，目标是在血管复杂的树状拓扑、尺度差异悬殊、低对比度、CT运动伪影及相似组织干扰等临床条件下，实现肺部血管的精准分割。相关技术广泛应用于肺血管疾病早期筛查、临床诊断、治疗规划与预后评估等领域。现有方法主要包括传统灰度特征分割、基于CNN的分割、CNN-Transformer混合分割以及基于Mamba分割方法。前两类方法难以充分捕捉血管长程结构依赖，或易受背景噪声干扰且无法高效建模多尺度的复杂血管，难以适配有限的临床计算资源；基于Mamba的分割方法虽具备高效长程建模能力，但缺少视觉任务所必需的空间感知能力，对细小血管分割与复杂拓扑追踪的能力受限。
该工作提出了一种基于Mamba的3D肺血管分割方法VesMamba。该方法的核心思想是利用空间门控结构感知机制赋予Mamba三维空间感知能力以捕捉血管长程拓扑依赖，结合双向尺度感知过滤器实现编码器特征的多尺度噪声抑制，通过掩码约束解码器保障分割结果的一致性与精准度，实现肺部CT影像下复杂血管的高效精准分割。该方法能够完成血管复杂拓扑的准确建模，有效缓解相似组织和CT伪影的干扰；结合多尺度特征增强策略，能够同时处理血管尺度悬殊、低对比度细小血管、结构重叠及运动伪影等问题。该方法主要包括三部分：
空间门控结构感知（SSP）模块
首先，通过SSP模块中的动态空间注意力卷积为Mamba赋予空间感知能力，高效捕捉树状拓扑血管的长程依赖关系。
双向尺度感知过滤（BSF）模块
其次，引入BSF模块对编码器特征进行双向融合与多尺度噪声过滤，强化复杂背景下血管特征的表征能力。
掩码约束解码器（MCDecoder）
最后，采用掩码约束解码器利用高层掩码直接约束相邻低层推理，提升分割的一致性与精准度。
相对于主流3D肺血管分割方法，VesMamba在分割精度、血管拓扑完整性、细小血管分割效果方面均取得显著提升。
提出了一种空间门控结构感知（SSP）的血管特征提取方法
将Mamba与动态空间注意力卷积（DSAC）结合，为模型赋予3D空间感知能力，高效捕捉肺血管长程拓扑依赖关系，为复杂树状血管的精准分割提供强结构特征支撑；
设计了一种双向尺度感知过滤（BSF）的编码器特征增强方法
用于多尺度编码器特征的噪声抑制与信息融合。该方法不直接输出融合特征，而是通过门控机制过滤不同尺度噪声，有效克服传统方法对背景相似组织、低对比度细小血管干扰敏感的问题；
构建了一种掩码约束（MCDecoder）的分层解码策略
并引入深度监督约束机制，通过高层掩码引导低层解码器推理，缩小预测偏差，同时能够在血管结构重叠、CT伪影干扰的情况下实现稳健的肺血管分割。
该方法的具体流程如图2所示。其输入为肺部3D的CT影像数据，针对肺部CT影像中血管复杂的树状拓扑、尺度跨度大、低对比度细小血管辨识度低、背景组织干扰与CT伪影等核心挑战，从空间感知建模、多尺度特征增强、解码一致性约束三个维度设计核心技术方案，构建兼顾精度、效率与鲁棒性的3D肺血管分割框架。
图2. DSAC示意图
如图1所示，VesMamba采用经典的编码器—解码器架构，整体由五层编码器、空间门控结构感知（SSP）模块、双向尺度感知滤波（BSF）模块、掩码约束解码器（MCDecoder）组成。模型先通过Stem层完成初步特征提取，得到基础特征图；随后送入五层编码器进行多尺度特征挖掘，严格遵循分层设计规则：编码器前三层采用残差卷积，负责提取血管浅层局部细节特征；编码器后两层嵌入空间门控结构感知（SSP）模块，用于捕捉血管长程拓扑依赖与复杂空间结构。SSP模块由空间门控Mamba（SGM）与自注意力组成，其中动态空间注意力卷积（DSAC）可动态适配3D血管数据的空间各向异性，如图2所示，为Mamba赋予空间感知能力，使其高效建模血管树状拓扑，自注意力则进一步强化长程特征关联；在SSP瓶颈处，采用多尺度空间注意力门（MSAG）替代普通自注意力，引导模型聚焦不同尺度的血管区域。
图3. BSF示意图
为解决编码器多尺度特征噪声干扰、信息互扰问题，模型引入双向尺度感知滤波（BSF）模块，对五层编码器输出的多尺度特征进行双向融合与降噪增强。如图3所示，该模块采用高层到低层、低层到高层的双向特征融合方式，结合深度移位卷积高效完成3D特征交互，聚合局部细节与全局轮廓信息；并将融合特征以门控机制过滤各层编码器特征不同尺度噪声，从而抑制背景相似组织、CT运动伪影等干扰，强化血管的特征表达能力。
解码阶段采用掩码约束解码器（MCDecoder），基于深度监督机制实现精准分割。将经BSF增强的编码器特征与SSP瓶颈高层特征送入解码器，利用高层掩码中的血管轮廓、位置信息直接约束相邻低层解码器的推理过程，通过残差卷积与上采样完成特征融合，逐层修正分割结果，保障血管分割的一致性、拓扑完整性与边界精准度。
VesMamba通过分层特征提取、SSP模块实现Mamba空间感知与长程拓扑建模、BSF模块完成多尺度特征降噪增强、MCDecoder实现解码精准约束，四大核心组件协同配合，实现CT影像中3D肺血管的高效、精准、鲁棒分割。
如下图所示，相对于其他SOTA方法，本文方法在不同尺度的3D肺部血管上的分割结果具有更少的假阳性和假阴性，展现了本文方法分割的精准性。
图4. 结果对比。绿色、黄色和红色分别代表真阳性、假阳性和假阴性。
CT图像中的3D肺部血管分割作为医学影像分析的核心任务，具有重要的科研与临床价值。而自动化的分割所面对的3D肺部血管往往呈现复杂的树状拓扑、尺度差异大、细小血管低对比度模糊，且伴随CT运动伪影、血管重叠交叉、动静脉组织高度相似等难题，为精准分割带来了极大挑战。现有方法往往无法充分建模血管长程树状拓扑依赖、难以抵御多尺度噪声干扰，且在临床算力约束下难以兼顾精度与效率。本文提出一种新颖的分割方案VesMamba，借助空间门控结构感知与双向尺度感知过滤机制，赋予Mamba空间感知能力并增强多尺度特征的表达能力，此外结合深度监督，使用深层掩码直接约束相邻低层解码器推理过程从而提升分割的精准度和一致性。本文方法在高效建模复杂长程依赖的同时抑制背景噪声的干扰，实现了性能与计算效率的平衡，为CT影像下3D肺部血管分割提供了全新的技术思路。
