通过吸引力场实现体积医学成像中的鲁棒曲线检测

理解身体部位几何结构对于精确医学诊断至关重要。曲线有效地描述了解剖结构，并广泛用于与心血管、呼吸系统和骨骼疾病相关的医学成像应用。传统曲线检测方法通常是任务特定的，严重依赖领域特定特征，限制了其更广泛的应用性。本文提出了一种检测非分支曲线的新方法，不需要事先了解物体的方向、形状或位置。我们的方法使用神经网络预测（1）吸引力场，提供亚像素精度，以及（2）接近度图，限制感兴趣区域并本质上消除远离目标曲线的离群点。我们在几个具有多样形态的临床相关任务上测试了曲线检测器，取得了超越现有方法的令人印象深刻的亚像素级精度结果，突显了其通用性和鲁棒性。此外，为了支持该领域的进一步进展，我们提供了主动脉中心线和掩膜的私有标注，可作为未来研究的基准。数据集可在 https://github.com/neuro-ml/curve-detection 获取。