基于新型血管性滤波器组合的深层血管分割

血管分割代表着临床中的关键任务，但其自动化仍具有挑战性。由于近期深度学习的进展，能够显著辅助学习过程的血管性滤波器被忽视了。本研究引入一种创新的滤波器融合方法，以放大血管分割模型的效果。我们的研究旨在通过比较分析，确立基于滤波器的学习方法的优势。具体而言，我们将在 CT 图像上训练的 U-Net 模型与在血管性超体积上使用相同参数训练的等价 U-Net configurations 进行对比。我们的发现表明，基于两个血管数据集，模型在学习过程中暴露于血管增强输入时，尤其对于小血管的分割效果得到改善。