通过可学习注意力反映拓扑一致性与异常的气道标注方法
计算机视觉与模式识别
2025-05-15 v2 机器学习
摘要
准确的气道解剖标注对于临床医生在支气管镜检查中识别和导航复杂的支气管结构至关重要。由于显著的个体差异和解剖变异，自动气道解剖标注极具挑战性。以往的方法容易产生不一致的预测，这对术前规划和术中导航是有害的。本文旨在通过提出一种增强拓扑一致性并改进异常气道分支检测的新方法来解决这些挑战。我们提出了一种包含两个模块的新方法：软子树一致性（SSC）和异常分支显著性（ABS）。SSC 模块构建一个软子树来捕获临床相关的拓扑关系，允许在子树内部和子树之间进行灵活的特征聚合。ABS 模块促进节点特征与原型之间的交互以区分异常分支，防止正常节点与异常节点之间特征的错误聚合。在一个以严重气道扭曲和萎缩为特征的挑战性数据集上进行评估，我们的方法取得了优于最先进方法的性能。具体而言，它在肺段级别达到了 91.4% 的准确率，在亚段级别达到了 83.7% 的准确率，亚段准确率提高了 1.4%，拓扑一致性提高了 3.1%。值得注意的是，该方法在疾病引起的气道变形病例中表现出可靠的性能，确保了一致且准确的标注。
引用
@article{arxiv.2410.23854,
title = {Reflecting Topology Consistency and Abnormality via Learnable Attentions for Airway Labeling},
author = {Chenyu Li and Minghui Zhang and Chuyan Zhang and Yun Gu},
journal= {arXiv preprint arXiv:2410.23854},
year = {2025}
}