用于肺气道分割的可微拓扑保持距离变换
计算机视觉与模式识别
2023-11-15 v5
摘要
精细的肺气道分割对于支气管内介入及周围型肺癌病灶治疗是一项具临床重要性的任务。卷积神经网络（CNNs）是医学图像分析中有前景的工具，但在存在显著不平衡特征分布的情况下表现不佳——气道数据正是如此，因为气管与主支气管占据大部分体素，而肺叶支气管与远端段支气管占比很小。本文提出一种可微拓扑保持距离变换（DTPDT）框架以提升气道分割性能。首先提出拓扑保持代理（TPS）学习策略以平衡类内分布的训练进程；进而设计卷积距离变换（CDT）以更高灵敏度识别断裂现象，并最小化预测与真值间距离图的差异。所提方法在公开可用的参考气道分割数据集上验证。在公开 EXACT'09 与 BAS 数据集上，分支与长度检出率分别为 82.1%/79.6% 与 96.5%/91.5%，证明了该方法在提升分割拓扑完整性的同时维持整体拓扑精度的可靠性与高效性。
引用
@article{arxiv.2209.08355,
title = {Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation},
author = {Minghui Zhang and Guang-Zhong Yang and Yun Gu},
journal= {arXiv preprint arXiv:2209.08355},
year = {2023}
}
备注
10 pages