CathFlow: 使用光流与 Transformer 的介入超声导管自监督分割
图像与视频处理
2024-09-11 v2 计算机视觉与模式识别
摘要
在微创血管内介入手术中，对比增强血管造影仍然是最稳健的成像技术。然而，由于长时间的辐射暴露，这以患者和临床医生的健康为代价。作为替代方案，介入超声具有显著的优势，例如无辐射、部署快速且在手术室中占用空间小。但是，超声难以解读，且极易产生伪影和噪声。此外，介入放射科医生必须经过广泛的培训才能具备有效诊断和治疗患者的资格，这导致了人员短缺以及开源数据集的缺乏。在这项工作中，我们旨在通过引入一种自监督深度学习架构来解决这两个问题，该架构无需任何标注数据即可在纵向超声图像中分割导管。该网络架构建立在 AiAReSeg 之上，这是一种采用注意力中的注意力机制构建的分割 Transformer，能够学习跨时间和空间的特征变化。为了便于训练，我们使用了基于物理驱动的导管插入模拟的合成超声数据，并将数据转换至独特的 CT-超声公共域 CACTUSS 以提高分割性能。我们通过使用 FlowNet2 计算相邻帧之间的光流生成了真值分割掩码，并执行阈值处理以获得二值图估计。最后，我们在由未见过的合成数据和从硅胶主动脉体模收集的图像组成的测试数据集上验证了我们的模型，从而证明了其在未来应用于临床数据的潜力。
引用
@article{arxiv.2403.14465,
title = {CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers},
author = {Alex Ranne and Liming Kuang and Yordanka Velikova and Nassir Navab and Ferdinando Rodriguez y Baena},
journal= {arXiv preprint arXiv:2403.14465},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication