SPIRONet：用于血管分割的空间-频率学习与拓扑通道交互网络
图像与视频处理
2024-07-01 v1 计算机视觉与模式识别
摘要
自动血管分割是开发下一代介入导航系统的关键。然而，当前方法因内 operative 图像中存在的显著挑战（如信噪比低、血管细小或狭长以及强干扰）而表现不佳。本文提出一种新型空间-频率学习和拓扑通道交互网络（SPIRONet）以解决上述问题。具体而言，采用双编码器全面捕获局部空间和全局频率血管特征。随后，引入跨注意力融合模块有效融合空间和频率特征，从而增强特征判别性。此外，设计了拓扑通道交互模块基于图神经网络过滤与任务无关的响应。在多个具有挑战性的数据集（CADSA、CAXF、DCA1 和 XCAD）上的大量实验结果表明，我们方法的 SOTA 性能。此外，SPIRONet 在 512x512 输入尺寸下的推理速度为 21 FPS，超过临床实时要求（6~12FPS）。这些有前景的成果表明 SPIRONet 可集成到血管介入导航系统中。代码已公开于 https://github.com/Dxhuang-CASIA/SPIRONet。
引用
@article{arxiv.2406.19749,
title = {SPIRONet: Spatial-Frequency Learning and Topological Channel Interaction Network for Vessel Segmentation},
author = {De-Xing Huang and Xiao-Hu Zhou and Xiao-Liang Xie and Shi-Qi Liu and Shuang-Yi Wang and Zhen-Qiu Feng and Mei-Jiang Gui and Hao Li and Tian-Yu Xiang and Bo-Xian Yao and Zeng-Guang Hou},
journal= {arXiv preprint arXiv:2406.19749},
year = {2024}
}