DeepVesselNet：三维血管造影体中的血管分割、中心线预测与分叉检测

我们提出了 DeepVesselNet，这是一种针对使用深度学习从三维血管造影体中提取血管网络或树及相应特征时所面临挑战而量身定制的架构。我们讨论了全三维卷积网络带来的执行速度低和内存需求高的问题、血管体素占比低导致的高类别不平衡问题，以及缺乏精确标注训练数据的问题，并提供了相应的解决方案作为 DeepVesselNet 的基础组件。首先，我们设计了二维正交十字滤波器，以较低的计算开销利用三维上下文信息。其次，我们引入了带有假阳性率校正的类别平衡交叉熵损失函数，以处理与现有损失函数相关的高类别不平衡和高假阳性率问题。最后，我们使用一个能够在局部网络结构和拓扑的生理约束下生成血管树的计算血管生成模型来生成合成数据集，并将这些数据用于迁移学习。DeepVesselNet 针对血管的分割与分析进行了优化，我们在包括人脑临床 MRA 数据以及大鼠脑 X 射线层析显微扫描在内的多种血管造影体上测试了其性能。我们的实验表明，通过在网络中用十字滤波器替换三维滤波器，我们在速度上获得了超过 23% 的提升，降低了内存占用和网络复杂度（从而防止过拟合），并保持了相当的准确率（与全三维滤波器相比，Cox-Wilcoxon 配对样本显著性检验的 p 值为 0.07）。我们的类别平衡指标对于训练网络至关重要，而利用合成数据进行迁移学习是一种高效、稳健且极具泛化能力的方法，使得该网络在各种血管造影分割任务中表现卓越。