SIRE：基于图神经网络的尺度不变、旋转等变动脉方向估计
计算机视觉与模式识别
2023-11-10 v1 机器学习
摘要
3D 医学图像中可视化的血管方向是其几何的重要描述符，可用于中心线提取及随后的分割与可视化。动脉出现在多种尺度与弯曲程度下，确定其精确方向具有挑战性。近期工作使用 3D 卷积神经网络 (CNN) 达到此目的，但 CNN 对变化的血管尺寸与方向敏感。我们提出 SIRE：一种局部血管方向的尺度不变、旋转等变估计器。SIRE 是模块化的，且因对称性保持而可泛化。SIRE 由规范等变网格 CNN (GEM-CNN) 组成，该 CNN 并行操作于多个不同大小的嵌套球网格上。每个网格上的特征是对应球内图像强度的投影。这些特征对球而言是内蕴的，并与 GEM-CNN 结合带来 SO(3)-等变性。近似尺度不变性通过权重共享和使用对称最大函数合并多尺度预测来实现。因此，SIRE 可用任意方向、不同半径的血管训练，以泛化到具有广泛口径与弯曲度的血管。我们使用三个包含不同尺度血管的数据集展示 SIRE 的有效性：血管模型库 (VMR)、ASOCA 冠状动脉集、以及一组腹主动脉瘤 (AAA)。我们将 SIRE 嵌入中心线跟踪器，其能准确跟踪 AAA，无论 SIRE 用何种数据训练。此外，SIRE 可用于跟踪冠状动脉，即使仅用 AAA 训练。总之，通过纳入 SO(3) 与尺度对称性，SIRE 可确定训练域外血管的方向，构成 3D 医学图像中血管几何分析的鲁棒且数据高效的解决方案。
引用
@article{arxiv.2311.05400,
title = {SIRE: scale-invariant, rotation-equivariant estimation of artery orientations using graph neural networks},
author = {Dieuwertje Alblas and Julian Suk and Christoph Brune and Kak Khee Yeung and Jelmer M. Wolterink},
journal= {arXiv preprint arXiv:2311.05400},
year = {2023}
}
备注
Submitted to Medical Image Analysis