基于多尺度注意力UNet3+的新型监督原型对比损失用于冠状动脉DSA图像分割
计算机视觉与模式识别
2025-05-08 v3
摘要
准确分割冠状动脉数字减法血管造影图像对于诊断和治疗冠状动脉疾病至关重要。尽管深度学习取得了进展，但高类内方差和类别不平衡等挑战仍限制了精确的 vessel 分割。大多数现有的针对冠状动脉DSA分割的方法无法解决这些问题。此外，现有的分割网络编码器并未直接生成语义嵌入，这些嵌入可促进解码器从这些明确定义的特征中有效重建分割掩码。我们提出了一种监督原型对比损失，将监督对比学习与原型对比学习融合，以增强冠状动脉DSA图像分割。监督对比损失在编码器中强制语义嵌入，提高特征区分度。原型对比损失使模型聚焦于前景类别，同时通过仅聚焦于难以分类的背景样本来缓解高类内方差和类别不平衡问题。我们将所提出的SPCL损失实现于MSA-UNet3+：一种多尺度注意力增强UNet3+架构。该架构集成了关键组件：多尺度注意力编码器和多尺度膨胀瓶颈，用于增强多尺度特征提取；以及上下文注意力融合模块，用于保持细粒度细节并提高上下文理解。在私有冠状动脉DSA数据集上的实验表明，MSA-UNet3+在状态机方法中取得了最高的Dice系数和F1分数，并显著降低了ASD和ACD。该开发框架为临床医生提供了精确的 vessel 分割，使其能够准确识别冠状动脉狭窄，支持明智的诊断和治疗决策。该代码将在https://github.com/rayanmerghani/MSA-UNet3plus上发布。
引用
@article{arxiv.2504.05184,
title = {MSA-UNet3+: Multi-Scale Attention UNet3+ with New Supervised Prototypical Contrastive Loss for Coronary DSA Image Segmentation},
author = {Rayan Merghani Ahmed and Adnan Iltaf and Mohamed Elmanna and Gang Zhao and Hongliang Li and Yue Du and Bin Li and Shoujun Zhou},
journal= {arXiv preprint arXiv:2504.05184},
year = {2025}
}
备注
Work in progress