SPOCKMIP：基于最大强度投影用于增强连续性的 MR 血管分割

识别生物医学影像中不同尺寸血管结构对于诊断多种神经退行性疾病至关重要。然而，这类影像标注稀缺且质量较差，使得血管分割任务具有挑战性。深度学习通过学习血管的高级特征表示及其在不同维度上的空间连续性，为分割不同尺寸的血管提供了有效方法。半监督基于块的分割方法在识别直径为一至两个体素的小血管方面效果较好。本研究致力于通过考虑特征的空间相关性，以最大强度投影（Maximum Intensity Projection，MIP）作为额外的损失标准来提高分割质量。提出两种方法，将单个轴（z 轴）和多个可感知轴上标签分割的 MIP 融入其中。所提出的 MIP 基于的方法可产生更连续的血管分割， 这在对感兴趣区域（ROI）的可视化检查中得以显现。通过引入额外的损失项 MIP 损失来惩罐血管预测的连续性不足，从而改进基于块的训练。选取 14 个体积作为训练集，来自 StudyForrest 数据集的 18 个 7 特斯拉 3D 时间流血 MRA 图像。使用数据集中其他未见体积评估方法的泛化性能。结果表明，采用多轴 MIP 损失的方法可获得 Dice 值为 $80.245 \pm 0.129$ 的分割质量；单轴 MIP 损失的方法可获得 Dice 值为 $79.749 \pm 0.109$ 的分割质量。此外，ROI 的可视化对比显示，在训练中融入 MIP 损失后，血管的连续性得到显著提高。