基于动态更新正负记忆库对比学习的多期CT血管造影微小斑点征分割Tiny-objective segmentation for spot signs on multi-phase CT angiography via contrastive learning with dynamic-updated positive–negative memory banks

引言

脑出血患者血肿扩大预示着高死亡率和不良功能预后[1-4]。CT血管造影(CTA)中表现为斑点征（血肿内单个/多个强化灶）的现象与血肿生长相关，但传统人工检测存在准确性不足。多期CT血管造影(mCTA)提供斑点征动态演变信息，通过测量各时相斑点征体积变化可提升血肿扩大的预测能力，但当前手工勾画方法存在费时和主观性缺陷。本研究旨在开发自动化分割算法，实现斑点征快速客观测量。

方法创新

1. 对比学习框架：构建动态更新的正负样本记忆库，通过对比学习增强微小目标特征区分能力
2. 双流解码架构：设计包含上下文解码器的双通路网络，在多尺度协同学习中提升分割性能
3. 出血约束算法：引入非增强CT(NCCT)指导的区域限制损失函数，显著降低假阳性率

研究成果

• 分割性能：Dice系数达0.638±0.211，体积相关性0.871
• 检测效能：灵敏度95.6%(CI 0.895-1.000)，特异性83.3%(CI 0.766-0.900)
• 模型优势：相较nnuNet等主流模型，在微小目标分割中表现更优

研究价值

本研究首次实现mCTA斑点征的自动化分割，通过创新性的对比学习框架解决医学影像中微小目标检测难题。实验表明该方法可有效克服斑点征与静脉/钙化相似特征干扰，以及正负样本不平衡等技术挑战，为临床预测血肿扩大提供定量影像生物标记物。

伦理声明

本研究经卡尔加里大学伦理委员会批准(No. REB20-0425)，符合赫尔辛基宣言要求。所有患者数据均经匿名化处理，符合GDPR和HIPAA数据保护规范。

【全文结束】