基于中心线边界 Dice 损失的血管分割
图像与视频处理
2024-07-02 v1 计算机视觉与模式识别
机器学习
摘要
医学影像中的血管分割在分析形态学和功能评估方面发挥着关键作用。传统方法如中心线 Dice (clDice) 损失可确保拓扑保持，但在平移和变形情况下难以捕捉几何细节。将 clDice 与传统 Dice 损失组合可能导致直径不平衡，偏向较大血管。为解决这些挑战，我们提出了中心线边界 Dice (cbDice) 损失函数，融合了拓扑完整性和几何细微差别，确保不同血管尺寸下的一致分割。cbDice 在 clDice 方法中加入边界感知因素，从而提高了几何细节识别能力。它通过基于掩码距离的方法匹配边界差分（B-DoU）损失的性能，增强了平移灵敏性。关键在于，cbDice 融合了血管骨架的半径信息，实现对血管直径变化的均匀适应，维持支流生长与裂纹影响的平衡。此外，我们对 clDice 变体 (cl-X-Dice) 进行了理论分析。在三个多样化的血管分割数据集上验证了 cbDice 的有效性，涵盖 2D 和 3D、二分类和多分类分割。特别是，集成 cbDice 的方法在 MICCAI 2023 TopCoW 挑战数据集上表现突出。我们的代码已公开发布于：https://github.com/PengchengShi1220/cbDice。
引用
@article{arxiv.2407.01517,
title = {Centerline Boundary Dice Loss for Vascular Segmentation},
author = {Pengcheng Shi and Jiesi Hu and Yanwu Yang and Zilve Gao and Wei Liu and Ting Ma},
journal= {arXiv preprint arXiv:2407.01517},
year = {2024}
}
备注
accepted by MICCAI 2024