背景
肺动脉高压（PH）是一种复杂的综合征，涉及多种不同病因的疾病，这些疾病通过肺循环血管的结构和功能变化机制而联系在一起，并表现为肺动脉压升高。无论病因如何，全球范围内肺动脉高压的患病率约为1%。在各种形式的肺动脉高压中，特发性肺动脉高压（iPAH）和慢性血栓栓塞性肺动脉高压（CTEPH）因其病情严重且预后不良而占据特殊地位，这主要与标准治疗方法的效果不足密切相关。

右心室功能和肺循环血管结构变化
右心室的功能状态是决定肺动脉高压患者预后的主要限制因素。右心室功能主要依赖于肺循环血管的结构变化。肺动脉分支壁的增厚和不可逆的胶原沉积会导致疾病快速进展，并降低治疗效果。因此，无论是在研究疾病的发病机制和测试新治疗方法的临床前研究中，还是在研究手术材料的临床实践中，肺循环血管的组织学检查都具有重要价值。

血管壁肥大指数的测量
在所有肺动脉分支中计算血管壁肥大指数是评估肺循环血管重塑的最准确和有效的方法之一。这种方法的优点包括数据完整性、大量的分析信息、盲法数据分析的可能性以及对血管亚群进行后续分析的可能性（例如，根据血管的外径）。然而，手动评估血管的肥大指数和外径需要大量时间和专家培训来分析显微照片。根据相关研究数据，经验丰富的研究人员大约需要4分钟来测量一个血管的参数。所提供的数据集包括609个血管，因此，分析这些数据需要一名高资质研究人员大约41小时的工作时间，这使得广泛应用变得困难。

血管分割技术的发展
在医学成像和计算机视觉的交叉领域，血管分割方法数量不断增加。然而，组织学分割的主题相对不太受关注。已有文献中提到了几个用于血管分割的数据集。例如，PAIN（病理人工智能平台）数据集包含100张全切片组织病理图像，其中60张图像包含了可行性肿瘤区域和整个肿瘤区域的两层注释。BACH（乳腺癌组织学）数据集旨在显微镜下分类和定位临床相关的组织病理学类别，包括400张训练图像和100张测试图像，分为四个类别。在另一项研究中，作者收集了399张全切片图像及相应的哨兵腋窝淋巴结玻片。这些数据来自于399名接受乳腺癌手术的患者。

深度学习在血管分割中的应用
近年来，使用U-Net骨干网络和EfficientNet编码器的深度学习方法被提出用于血管分割，以及基于多尺度多编码器模型的研究，后者基于FCN架构。此外，作者们还提出了一种用于自动核实例分割和分类的框架，并推荐了相关网络。这些方法的提出为组织学显微照片的分析提供了新的技术支持，有望大大提高分析效率和准确性。

总结
肺动脉高压是一种严重的综合征，影响全球约1%的人口，尤其是iPAH和CTEPH患者面临较差的预后。右心室功能状态和肺循环血管的结构变化是决定患者预后的关键因素。尽管手动评估血管壁肥大指数是有效的方法之一，但其时间和人力成本限制了其广泛应用。随着深度学习技术的发展，基于U-Net等模型的血管分割方法为解决这一难题提供了新的解决方案，为未来开发新的软件工具和提高临床实践效率奠定了基础。这些研究进展不仅有助于更好地理解肺动脉高压的病理机制，还为提高临床治疗效果提供了新的希望。

原始出处：

Sinitca AM, Lyanova AI, Kaplun DI, Hassan H, Krasichkov AS, Sanarova KE, Shilenko LA, Sidorova EE, Akhmetova AA, Vaulina DD, Karpov AA. Microscopy Image Dataset for Deep Learning-Based Quantitative Assessment of Pulmonary Vascular Changes. Sci Data. 2024 Jun 15;11(1):635. doi: 10.1038/s41597-024-03473-z. PMID: 38879569.