多视角可变形卷积搭配视觉 Mamba 用于冠状动脉分割

从 CT 血管造影 (CTA) 图像中准确分割冠状动脉对于心血管疾病的诊断和治疗规划具有至关重要的临床意义。然而，由于血管结构具有固有的多分支和细长管状形态，加上前景血管与背景组织之间的严重类别不平衡，冠状动脉分割仍然具有挑战性。传统的基于卷积神经网络 (CNN) 的方法难以捕获 spatially distant vascular structures 之间的长程依赖关系，而基于视觉转换器 (ViT) 的方法又因计算开销巨大，难以在资源受限的临床环境中部署。鉴于状态空间模型 (SSM) 在以线性复杂度高效建模长程序列依赖方面的近期成功，我们提出了 MDSVM-UNet，这是一个新的两阶段冠状动脉分割框架，通过多向蛇形卷积 (MDSConv) 与残差视觉 Mamba (RVM) 的协同集成，实现高效分割。 在编码阶段，我们引入 MDSConv，这是一个沿三个正交解剖平面（横切面、冠状面和纵切面）学习自适应偏移量的可变形卷积模块，从而实现全面的多视角特征融合，忠实地捕捉冠状动脉的延伸和扭曲几何形状。在解码阶段，我们设计了一个基于 RVM 的上采样解码器模块，利用选择性状态空间机制来建模跨切片的长程依赖，同时保持线性计算复杂度。此外，我们提出了分级的两阶段分割策略：第一阶段进行整幅图像的粗糙分割，以指导智能的块提取；第二阶段进行细粒度的块级分割，以恢复血管细节并抑制误报。