BronchusNet：用于支气管分割与分类的区域与结构先验嵌入表示学习
图像与视频处理
2022-05-25 v2 计算机视觉与模式识别
摘要
基于 CT 的支气管树分析在计算机辅助诊断呼吸系统疾病中起着重要作用，因为它能为临床医生提供结构化信息。气道分析的基础是支气管树重建，包括支气管分割与分类。然而，由于个体差异和严重的类别不平衡，准确的支气管分析仍具挑战性。本文提出一种名为 BronchusNet 的区域与结构先验嵌入框架，以实现 CT 图像中支气管区域的准确分割与分类。对于支气管分割，我们提出一种自适应难区域感知 UNet，在通用 Unet 分割网络中融入难像素样本的多层级先验引导，以实现更好的分层特征学习。对于支气管分支的分类，我们提出一种混合点-体素图学习模块，以充分挖掘支气管结构先验并支持跨不同分支的同步特征交互。为促进支气管分析研究，我们贡献了 BRSC：一个具有高质量像素级分割掩码和支气管段类别的开放获取支气管影像分析基准。在 BRSC 上的实验结果表明，我们所提方法不仅取得了支气管区域二值分割的 SOTA 性能，而且在支气管分支分类上超越了现有最佳方法 6.9%。
引用
@article{arxiv.2205.06947,
title = {BronchusNet: Region and Structure Prior Embedded Representation Learning for Bronchus Segmentation and Classification},
author = {Wenhao Huang and Haifan Gong and Huan Zhang and Yu Wang and Haofeng Li and Guanbin Li and Hong Shen},
journal= {arXiv preprint arXiv:2205.06947},
year = {2022}
}