多类主动脏分段的层次化语义学习

主动脏是身体最大的动脉，易发生解剖、瘤栓和动脉粥样硬化等病理情况，往往需要及时干预。涉及分支血管的 minimally invasive 手术工艺需要详细的 3D 解剖分析。现有方法常忽视解剖关系的层次性，同时在血管结构中难以处理严重的类别不平衡问题。我们通过课程学习策略并引入新颖的分形 Softmax 进行层次化语义学习来应对这些挑战。灵感来自人类认知，我们的方法逐步学习解剖约束，通过从简单组件到复杂组件的分解来学习复杂结构。课程学习框架天然地通过首先为占主导地位的类别建立稳健特征表示，再处理罕见但解剖关键的结构，从而解决类别不平衡问题，显著加速多类场景中的模型收敛。我们的两阶段推理策略实现了最高可达五倍的加速，提升了临床实用性。在第 50 个 epoch 的验证集上，我们的层次化语义损失使 nnU-Net ResEnc M 的 Dice 评分提升 11.65%。该模型在测试集上比基线模型高出 5.6% 的 Dice 评分。实验结果表明，在分割精度和效率方面均实现了显著提升，使该框架适用于实时临床应用。本挑战条目实现代码已公开于：https://github.com/PengchengShi1220/AortaSeg24。分形 Softmax 代码将在 https://github.com/PengchengShi1220/fractal-softmax 上提供。