TopNet:用于血管树重建与标记的拓扑保持度量学习
计算机视觉与模式识别
2020-09-21 v1
摘要
从对比增强腹部CT扫描中重建门静脉和肝静脉树是术前肝脏手术模拟的先决条件。现有的基于深度学习的方法将血管树重建视为语义分割问题。然而,诸如肝静脉和门静脉等血管在局部看起来非常相似,需要追踪至其源头以进行鲁棒的标签分配。因此,通过查看局部3D块进行的语义分割会导致含噪的误分类。为此,我们提出了一种用于血管树重建的新型多任务深度学习架构。该网络架构同时解决检测血管中心线上体素(即节点)和估计待重建树结构中中心体素间(边)连接性的任务。进一步,我们提出了一种新颖的连接性度量,其同时考虑中心体素对之间的类间距离和类内拓扑距离。使用最短路径树算法,从血管源头开始利用所学连接性度量重建血管树。在公开IRCAD数据集上的详尽评估表明,所提方法显著优于现有的基于语义分割的方法。据我们所知,这是首个从图像中学习多标签树结构连接性的基于深度学习的方法。
引用
@article{arxiv.2009.08674,
title = {TopNet: Topology Preserving Metric Learning for Vessel Tree Reconstruction and Labelling},
author = {Deepak Keshwani and Yoshiro Kitamura and Satoshi Ihara and Satoshi Iizuka and Edgar Simo-Serra},
journal= {arXiv preprint arXiv:2009.08674},
year = {2020}
}
备注
Accepted in MICCAI 2020