拓扑约束学习在腹式肝脏标志物检测中的高效应用
计算机视觉与模式识别
2025-07-02 v1
摘要
肝脏标志物在腹式肝脏手术中提供至关重要的解剖指导，以最小化手术风险。然而，标志物的管状结构特性以及手术中动态的内在形变，为自动化标志物检测带来了显著挑战。本研究引入TopoNet，一种用于腹式肝脏标志物检测的新型拓扑约束学习框架。该框架采用蛇形-CNN双路径编码器，同时捕获详细的RGB纹理信息和基于深度的拓扑结构。同时，我们提出了边界感知拓扑融合(BTF)模块，用于适应性地合并RGB-D特征，以增强边缘感知 while 保持全局拓扑。此外，嵌入拓扑约束损失函数，其中包含中心线约束损失和拓扑持久性损失，以确保预测结果与标签之间的同伦等价性。在L3D和P2ILF数据集上的大量实验表明，TopoNet在准确性和计算复杂度方面均表现出色，凸显了其在腹式肝脏手术中的潜在临床应用价值。我们的代码将在https://github.com/cuiruize/TopoNet上提供。
引用
@article{arxiv.2507.00519,
title = {Topology-Constrained Learning for Efficient Laparoscopic Liver Landmark Detection},
author = {Ruize Cui and Jiaan Zhang and Jialun Pei and Kai Wang and Pheng-Ann Heng and Jing Qin},
journal= {arXiv preprint arXiv:2507.00519},
year = {2025}
}
备注
This paper has been accepted by MICCAI 2025