用于准确、完整且鲁棒血管分割的亲和特征增强方法
计算机视觉与模式识别
2023-05-11 v2
摘要
血管分割在许多医学图像应用中至关重要，例如检测冠状动脉狭窄、视网膜血管疾病和脑动脉瘤。然而，实现高像素级精度、完整拓扑结构以及对各种对比度变化的鲁棒性既关键又具挑战性，且大多数现有方法仅侧重于实现其中一至两个方面。本文中，我们提出一种新方法——亲和特征增强网络(AFN)，其利用对对比度不敏感的多尺度亲和方法来联合建模几何并细化像素级分割特征。具体而言，我们为每个像素计算多尺度亲和场，捕捉其与预测掩膜图像中邻域像素的语义关系。该场表示不同尺寸血管段的局部几何，使我们能够学习空间与尺度感知的自适应权重以增强血管特征。我们在四类不同血管数据集上评估了AFN：X射线造影冠状动脉血管数据集(XCAD)、门静脉数据集(PV)、数字减影血管造影脑血管数据集(DSA)和视网膜血管数据集(DRIVE)。大量实验结果表明，我们的AFN在更高精度和拓扑指标方面均优于最先进的方法，同时对各种对比度变化也更加鲁棒。本工作的源代码可在 https://github.com/TY-Shi/AFN 获取。
引用
@article{arxiv.2211.06578,
title = {Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation},
author = {Tianyi Shi and Xiaohuan Ding and Wei Zhou and Feng Pan and Zengqiang Yan and Xiang Bai and Xin Yang},
journal= {arXiv preprint arXiv:2211.06578},
year = {2023}
}
备注
Accepted by JBHI