强度混淆至关重要：基于强度-距离引导的支气管分割损失函数

自动从CT影像中分割支气管树对于疾病诊断至关重要，因为它提供了结构信息。尽管前述方法具有优点，但它们关注的并非我们所称的“强度混淆”问题，即某些背景体素的强度值接近支气管区域内的前景体素的强度值。相反，支气管区域中某些前景体素的强度值几乎与背景体素的强度值相同。这种强度值之间的接近性对神经网络方法构成了重大挑战。为解决这一问题，我们引入了一种新的强度-距离引导损失函数，该函数为不同图像体素分配自适应权重，以挖掘导致强度混淆的困难样本。该损失函数基于以下强度和距离先验条件估算体素级别的样本难度：若体素满足以下条件之一，即为困难样本：(1) 属于背景且其强度值接近支气管区域；(2) 属于支气管区域且其强度值高于支气管内大多数体素；(3) 属于背景区域且距离支气管较近。大量实验表明，我们的方法优于现有SOTA方法，且解决强度混淆问题可显著提高支气管分割性能。项目页面：https://github.com/lhaof/ICM。