用于血管造影血管网络分割的边界感知视觉Transformer
计算机视觉与模式识别
2025-06-17 v1
摘要
冠状动脉血管造影中血管结构的精确分割仍然是医学图像分析的核心挑战，原因在于细长、低对比度血管的复杂性。经典的卷积神经网络（CNN）通常无法保持拓扑连续性，而最近的基于视觉Transformer（ViT）的模型虽然在全局上下文建模方面表现强劲，但缺乏精确的边界感知。在这项工作中，我们引入了BAVT，即边界感知视觉Transformer，一种通过边缘感知损失增强的ViT架构，该损失明确引导分割过程朝向细粒度血管边界。与混合Transformer-CNN模型不同，BAVT保留了最小化、可扩展的结构，完全兼容大规模视觉基础模型（VFM）预训练。我们在DCA-1冠状动脉血管造影数据集上验证了我们的方法，BAVT在医学图像分割指标上优于CNN和混合基线模型，表现出优越性能。这些结果证明了将纯ViT编码器与边界感知监督相结合用于临床级血管分割的有效性。
引用
@article{arxiv.2506.12980,
title = {Boundary-Aware Vision Transformer for Angiography Vascular Network Segmentation},
author = {Nabil Hezil and Suraj Singh and Vita Vlasova and Oleg Rogov and Ahmed Bouridane and Rifat Hamoudi},
journal= {arXiv preprint arXiv:2506.12980},
year = {2025}
}
备注
5 pages, 2 figures, 2 tables; submitted to IPTA-2025