BREAK：基于测地变换与骨架嵌入的支气管重建
图像与视频处理
2022-02-02 v1 计算机视觉与模式识别
摘要
气道分割对虚拟支气管镜和计算机辅助肺部疾病分析至关重要。近年来，卷积神经网络（CNNs）被广泛用于描绘支气管树。然而，基于 CNN 的方法的分割结果通常包含许多不连续的分支，在临床使用中需要人工修复。断裂的一个主要原因是气道壁的外观会受肺部疾病以及血管邻接的影响，而网络倾向于过拟合训练集中的这些特殊模式。为学习这些区域的鲁棒特征，我们设计了一个多分支框架，采用测地距离变换来捕获气道腔与壁之间的强度变化。断裂的另一个原因是类内不平衡。由于在外周支气管的体积可能远小于输入块中的大分支，常见的分割损失对远端分支间的断裂不敏感。因此，本文设计了一个对断裂敏感的正则化项，可与其他损失函数轻松结合。在公开数据集上进行了大量实验。与最先进（state-of-the-art）方法相比，我们的框架能检测出更多分支，同时保持有竞争力的分割性能。
引用
@article{arxiv.2202.00002,
title = {BREAK: Bronchi Reconstruction by gEodesic transformation And sKeleton embedding},
author = {Weihao Yu and Hao Zheng and Minghui Zhang and Hanxiao Zhang and Jiayuan Sun and Jie Yang},
journal= {arXiv preprint arXiv:2202.00002},
year = {2022}
}
备注
Accept as IEEE ISBI 2022 oral