在三维血管分割中利用频域学习
图像与视频处理
2024-01-15 v1 计算机视觉与模式识别
机器学习
摘要
冠状动脉微血管疾病对人类健康构成重大风险。借助计算机辅助分析和诊断系统，医疗专业人员可以在疾病进展早期进行干预，其中三维血管分割是关键组成部分。然而，传统的 U-Net 架构往往会产生不连贯且不精确的分割结果，尤其对于细小血管结构。虽然具有注意力机制的模型（如 Transformer 和大卷积核）表现出更优越的性能，但它们在训练和推理过程中巨大的计算需求导致时间复杂性增加。在本研究中，我们利用傅里叶域学习替代三维层次分割模型中的多尺度卷积核，这可以在保持网络内全局感受野的同时降低计算开销。此外，还设计了一种零参数频域融合方法，以改进 U-Net 架构中的跳跃连接。在公开数据集和内部数据集上的实验结果表明，我们提出的基于傅里叶变换的新型网络在管状血管分割任务中取得了显著的 Dice 性能（ASACA500 上为 84.37%，ImageCAS 上为 80.32%），并在不损害全局感受野的情况下大幅降低了计算需求。
引用
@article{arxiv.2401.06224,
title = {Leveraging Frequency Domain Learning in 3D Vessel Segmentation},
author = {Xinyuan Wang and Chengwei Pan and Hongming Dai and Gangming Zhao and Jinpeng Li and Xiao Zhang and Yizhou Yu},
journal= {arXiv preprint arXiv:2401.06224},
year = {2024}
}