基于 Hessian 的轻量级神经网络 HessNet 用于最小训练数据集上的脑血管分割
图像与视频处理
2025-09-09 v3 计算机视觉与模式识别
摘要
对脑磁共振血管造影（MRA）中血管的精准分割对于成功的手术程序（如解剖剥离或旁路手术）至关重要。目前的注释主要通过手动分割或经典方法（如 Frangi 滤波器）实现，但这些方法往往缺乏足够的精度。神经网络已成为医学图像分割的强大工具，但其开发依赖于经过良好注释的训练数据集。然而，目前缺乏可公开获取的、带有详细脑血管注释的 MRA 数据集。为此，我们提出一种新型半监督学习轻量级神经网络，内置 Hessian 矩阵，用于3D复杂结构（如管状结构）的分割，命名为 HessNet。该解决方案仅包含 6000 个参数，能够在 CPU 上运行，显著降低神经网络训练的资源需求。在最小训练数据集上的血管分割精度达到最先进水平。这帮助我们基于 IXI 数据集创建一个由 200 张脑 MRA 图像构成的大型半手动注释脑血管数据集。注释工作由三位专家在三位神经血管外科医生的指导下完成，采用 HessNet 进行血管分割。该数据集可在 https://git.scinalytics.com/terilat/VesselDatasetPartly 获取。
引用
@article{arxiv.2508.15660,
title = {Hessian-Based Lightweight Neural Network HessNet for State-of-the-Art Brain Vessel Segmentation on a Minimal Training Dataset},
author = {Alexandra Bernadotte and Elfimov Nikita and Mikhail Shutov and Ivan Menshikov},
journal= {arXiv preprint arXiv:2508.15660},
year = {2025}
}
备注
11 pages, 2 figures