基于学习型重连正则化的曲线结构分段插拔框架
图像与视频处理
2024-08-26 v1
摘要
曲线结构存在于图像处理中的 various 领域，如医学成像中的血管或遥感中的道路。其检测对许多应用至关重要。本文提出了一种基于保持其连通性的曲线结构分段的无监督插拔框架。该框架包括生成真实连通/不连通曲线结构对的算法，以及可从合成数据集中学习的重连正则化算子。一旦学习完成，该正则化算子即可被插入变分分段方案中，用于无需标注的数据集分段曲线结构图像。我们在2D和3D血管图像分段上展示了该方法的价值，并与经典无监督方法和深度学习方法进行比较。与无监督经典方法和深度学习方法的比较评估突显了我们方法的优越性能，在保持曲线结构连通性方面实现了约90%（2D）和70%（3D）的显著提升。我们最终展示了该方法在道路裂缝和生猪角膜细胞分段两个不同应用中的良好通用性。
引用
@article{arxiv.2408.12943,
title = {A plug-and-play framework for curvilinear structure segmentation based on a learned reconnecting regularization},
author = {Sophie Carneiro-Esteves and Antoine Vacavant and Odyssée Merveille},
journal= {arXiv preprint arXiv:2408.12943},
year = {2024}
}