基于层次化 LoG 贝叶斯神经网络的主动脏分割提升
计算机视觉与模式识别
2025-01-28 v2
摘要
对主动脏及其相关弓状分支的准确分割对于诊断主动脏疾病至关重要。虽然深度学习技术显著提高了主动脏分割，但由于其复杂的多尺度结构和周围组织的复杂性，仍然具有挑战性。本文提出一种新方法，通过基于贝叶斯神经网络的层次化拉普拉斯高斯 (LoG) 模型来增强主动脏分割。该模型由 3D U-Net 分支和层次化 LoG 分支组成：前者提供初始的主动脏分割，后者通过学习合适的 LoG 核，实现对不同尺度血管的检测，从而实现对主动脏血管在尺度差异显著的不同部分的自适应处理。我们采用贝叶斯方法对 LoG 分支进行参数化，并为分割结果提供置信区间，确保为血管医学图像分析师提供稳健可靠的预测。实验结果表明，该模型能够准确分割主动脏和旁主动脏血管，在两个主动脏数据集中相较于当前最先进的方法，Dice 系数至少提高 3%，并且能够为主动脏不同部位提供可靠的置信区间。代码已公开于 https://github.com/adlsn/LoGBNet。
引用
@article{arxiv.2501.10615,
title = {Hierarchical LoG Bayesian Neural Network for Enhanced Aorta Segmentation},
author = {Delin An and Pan Du and Pengfei Gu and Jian-Xun Wang and Chaoli Wang},
journal= {arXiv preprint arXiv:2501.10615},
year = {2025}
}