《Scientific Reports》：ICH-HPINet: a hybrid propagation interaction network for intelligent and interactive 3D intracerebral hemorrhage segmentation
编辑推荐：
为克服传统2D方法忽略层间关联、3D方法标注繁重且现有SAM类模型只能一次性交互的瓶颈，研究团队提出ICH-HPINet，通过体积-切片混合传播与多轮用户 scribble 反馈，在私有286例及Physionet 75例CT数据上，Dice分别提升≥0.1116与≥0.0489，实现轻标注、高鲁棒、可交互的ICH精准分割。
凌晨的急诊室，CT机嗡嗡作响，医生紧盯着屏幕上那片模糊的低密度影——是出血吗？边界在哪？体积多大？要不要手术？脑出血（ICH）作为最致命的卒中亚型，在起病数小时内即可因血肿扩大夺走生命，而治疗决策的黄金依据正是“血肿体积”。然而，非增强CT图像软组织对比差、噪声高，小血肿或弥漫渗血常与正常脑组织“融”在一起，手动勾画既耗时又主观，不同医生给出的体积可相差30%以上。人工智能浪潮虽带来自动分割希望，但现有方法仍像“跛脚鸭”：纯2D模型看不到三维空间连贯性，纯3D模型动辄要求数百层精细标注；火爆的自然图像“分割一切模型”（SAM）及其医学改版虽能“点提示”，却仅支持一次性交互，医生无法对错误区域持续纠错，复杂出血灶常被割得七零八落。如何让算法既看得“全”又看得“细”，还能让医生“边指点、边改进”？这正是Huimin Tao等团队在《Scientific Reports》最新研究试图破解的难题。
为回答上述问题，研究人员提出ICH-HPINet（Hybrid Propagation Interaction Network）。其核心思路是把“三维体积传播”与“二维切片传播”装进同一个网络，让二者互为补充，再引入“记忆模块”记录每一轮用户 scribble 反馈，实现多轮迭代优化。具体而言，模型包含四大组件：Volume Interaction Module（VIM）基于Residual UNet3D提取整体3D特征并生成初始体积掩膜；Slice Interaction Module（SIM）以DeepLabv3+为骨干，对当前切片做精细分割；Feature Convert Module（FCM）通过多尺度卷积把3D特征投影到2D切片域，弥补3D→2D信息丢失；Multi-Propagation Feature Fusion Module（MPFFM）利用注意力机制计算相邻切片间affinity，实现跨层信息传递。整个流程为单向主干+闭环反馈：VIM先给出3D结果并写入记忆，SIM结合记忆与用户新scribble逐层修正，再把修正结果写回记忆，供下一轮迭代。
研究采用私有数据集（温州医科大学附属第三医院286例CT，512×512×Z体素）及公开Physionet数据集（75例），仅随机在每层出血区及背景各取3–7个像素点模拟 scribble，训练500 epoch，学习率1×10，五折交叉验证。损失函数由体积分割损失（VSL）、切片分割损失（SSL）与特征转换损失（FCL）组成，权重分别设为5:1:4，以强调3D上下文约束。
实验结果部分，标题与原文对应如下：
Comparative Experiments
与SAMed、SAM-Med2D、SAM2-UNet、SAMIHS、MedSAM、MedSAM2相比，ICH-HPINet在私有集Dice 0.7797、Jaccard 0.6532、Hausdorff Distance 3.59 mm、MAE 0.0035；Physionet集Dice 0.7467、Jaccard 0.6094、HD 2.96 mm、MAE 0.0022，均显著超越对照组（p<0.01），且所需标注点减少一半以上。
Ablation Study
去掉体积传播（Volume-Pro）或切片传播（Slice-Pro）后，Dice分别下降0.124与0.133；若清除记忆模块，Dice再降6.4%与8.7%，证实“混合+记忆”是性能跃升的关键。
Analysis of Hybrid Propagation Mechanism
特征余弦相似度从早期0.58增至0.82，表明VIM与SIM有效对齐；可视化注意力热图显示模型能跨层锁定解剖一致区域；去掉affinity计算或特征融合，Dice分别降6.7%与8.9%。
Loss Hyperparameter Analysis
Cross-Entropy与Dice 1:1时达到最优；λ=5、λ=1、λ=4的三项权重与上述等价，再次验证体积上下文必须占主导。
Visual Comparison
在多灶性、不规则出血及微小渗漏案例中，ICH-HPINet轮廓完整、边缘锐利，而SAM系模型常出现碎片化或过度扩张。
Interactive Experiment
仅2–3次用户 scribble，Dice便可从0.6133升至0.7866，之后趋于平稳；单例总交互时间<30 s，显著低于传统手动勾画的5–8 min。
作者总结指出，ICH-HPINet通过“3D体积捕捉全局+2D切片精修+多轮交互记忆”的混合范式，实现了轻标注、高连续、可反馈的ICH精准分割，为急诊快速评估血肿体积、制定手术计划提供了可靠工具。未来工作将优化显存占用并扩展至其他模态与病种，推动交互式AI真正走进神经外科日常诊疗。
