基于拓扑损失的级联多任务 U-Net 用于血管分割与中心线提取
图像与视频处理
2024-02-23 v2 计算机视觉与模式识别
摘要
血管分割与中心线提取是许多处理血管疾病的计算机辅助诊断工具的两个关键预处理任务。近来，基于深度学习的方法已广泛应用于这些任务。然而，经典深度学习方法难以捕捉血管网络复杂的几何与特定拓扑结构，而这在大多数应用中至关重要。为克服这些局限，近期提出了 clDice 损失——一种聚焦于血管中心线的拓扑损失。该损失需要通过所提出的软骨架算法计算真值分割与预测分割的骨架。然而，软骨架算法在 3D 图像上提供次优结果，使得 clDice 难以适用于 3D 图像。在本文中，我们提出以直接由分割计算血管骨架的 U-Net 替代软骨架算法。我们表明，我们的方法比软骨架算法提供更准确的骨架。我们随后在此网络基础上构建了一个以 clDice 损失训练的级联 U-Net，以在分割过程中嵌入拓扑约束。所得模型能够预测血管分割与中心线，且具有更精确的拓扑。
引用
@article{arxiv.2307.11603,
title = {Cascaded multitask U-Net using topological loss for vessel segmentation and centerline extraction},
author = {Pierre Rougé and Nicolas Passat and Odyssée Merveille},
journal= {arXiv preprint arXiv:2307.11603},
year = {2024}
}