基于多边互动增强图卷积网络的黄皮ager 病变分割
计算机视觉与模式识别
2025-08-06 v1
摘要
黄皮ager 病变 (Choroidal Neovascularization, CNV) 是湿性年龄相关性黄斌变性 (wet AMD) 的主要特征之一，是全球致盲的主要原因之一。在临床实践中，常用光学相干层析血管图 (OCTA) 研究 CNV 相关的病理变化，因为其具备微米级分辨率和无创特性。因此，对 OCTA 图像中 CNV 区域和血管的精准分割对于评估湿性 AMD 至关重要。然而，由于 CNV 形态不规则以及投影制造痕迹、噪声和边界模糊等成像局限，存在诸多挑战。此外，缺乏公开数据集也限制了 CNV 分析的开展。为此，本文构建了第一个公开可获取的 CNV 数据集 (CNVSeg)，并提出一种新型的多边互动增强图卷积网络分割方法 (MTG-Net)。该网络整合了区域和血管形态信息，探索了图域内的语义与几何二元性约束。具体而言，MTG-Net 包含一个多任务框架和两个基于图的跨任务模块：多边互动图推理 (MIGR) 和多边加强图推理 (MRGR)。该多任务框架对病灶形状和表面的丰富几何特征进行编码，将图像解码为三个任务特定的特征图。MIGR 和 MRGR 通过图机制反复推理跨任务的高阶关系，实现对任务特定目标的互补优化。此外，还提出一种不确定性加权损失，以减轻制造痕迹和噪声对分割精度的影响。实验结果表明，MTG-Net 在区域分割和血管分割上分别优于现有方法，Dice 系数分别达到87.21%和88.12%。
引用
@article{arxiv.2508.03197,
title = {Neovascularization Segmentation via a Multilateral Interaction-Enhanced Graph Convolutional Network},
author = {Tao Chen and Dan Zhang and Da Chen and Huazhu Fu and Kai Jin and Shanshan Wang and Laurent D. Cohen and Yitian Zhao and Quanyong Yi and Jiong Zhang},
journal= {arXiv preprint arXiv:2508.03197},
year = {2025}
}