GLCP：面向管状结构分割的全局到局部连通性保持
计算机视觉与模式识别
2025-07-30 v1
摘要
管状结构（例如血管网络）的精确分割在多种医学领域中起着关键作用。该任务中一个仍然突出的挑战是结构断裂，这会对下游应用产生不利影响。现有方法主要聚焦于设计各种损失函数以约束全局拓扑结构。然而，它们常常忽视局部不连续区域，导致分割结果欠佳。为克服这一局限，我们提出了一种新颖的全局到局部连通性保持（Global-to-Local Connectivity Preservation, GLCP）框架，能够同时感知管状网络的全局与局部结构特征。具体而言，我们提出了一个交互式多头分割（Interactive Multi-head Segmentation, IMS）模块，分别联合学习全局分割、骨架图以及局部不连续图。这使得我们的模型能够在保持全局拓扑完整性的同时，显式地针对局部不连续区域。此外，我们设计了一个轻量级的基于双注意力的细化（Dual-Attention-based Refinement, DAR）模块，通过细化所得分割图进一步提升分割质量。在二维与三维数据集上的大量实验表明，与多种最先进方法相比，我们的 GLCP 在管状结构分割中实现了更优的精度与连续性。源代码将在 https://github.com/FeixiangZhou/GLCP 提供。
引用
@article{arxiv.2507.21328,
title = {GLCP: Global-to-Local Connectivity Preservation for Tubular Structure Segmentation},
author = {Feixiang Zhou and Zhuangzhi Gao and He Zhao and Jianyang Xie and Yanda Meng and Yitian Zhao and Gregory Y. H. Lip and Yalin Zheng},
journal= {arXiv preprint arXiv:2507.21328},
year = {2025}
}
备注
MICCAI 2025 (Oral)