DTU-Net：用于曲线结构分割的拓扑相似性学习
图像与视频处理
2023-03-07 v2 计算机视觉与模式识别
摘要
曲线结构分割在医学影像中十分重要，用于对 2D 切片中的血管、气道、神经元或器官边界等结构进行量化。基于逐像素分类的分割常难以捕捉细小且低对比度的曲线结构。先验拓扑信息通常用于解决该问题，但往往计算代价高昂，且有时需要预期拓扑的先验知识。我们提出 DTU-Net，一种数据驱动的拓扑保持曲线结构分割方法。DTU-Net 由两个顺序的轻量级 U-Net 组成，分别致力于纹理与拓扑。纹理网络利用图像纹理信息做出粗预测，而拓扑网络通过使用三元组损失从粗预测中学习拓扑信息，该损失经训练以识别结构中的错误与遗漏分叉。我们在一个具有挑战性的多类超声扫描分割数据集以及知名的视网膜成像数据集上进行了实验。结果表明，我们的模型在逐像素分割精度与拓扑连续性上均优于现有方法，且无需先验拓扑知识。
引用
@article{arxiv.2205.11115,
title = {DTU-Net: Learning Topological Similarity for Curvilinear Structure Segmentation},
author = {Manxi Lin and Zahra Bashir and Martin Grønnebæk Tolsgaard and Anders Nymark Christensen and Aasa Feragen},
journal= {arXiv preprint arXiv:2205.11115},
year = {2023}
}
备注
12 pages, 4 figures