VasGuideNet：基于血管拓扑的仿胆囊肝分割与结构对比损失
计算机视觉与模式识别
2026-02-26 v1
摘要
accurate Couinaud 肝分割对术前手术规划和肿瘤定位至关重要。然而，现有方法主要依赖图像强度和空间位置线索，未显式建模血管拓扑，导致其在血管附近产生模糊边界，并在解剖可变性下表现有限。我们提出 VasGuideNet，是首个显式受血管拓扑指导的仿胆囊肝分割框架。具体而言，通过图卷积网络（GCN）对骨架化血管、基于欧几里得距离变换（EDT）推导出的几何信息以及 k 近邻（kNN）连通性编码为拓扑特征。这些特征通过跨注意力融合模块注入到 3D 编码器-解码器主干网络中。为进一步提高类别间可分性和解剖一致性，我们引入带全局记忆库的结构对比损失（SCL）。在 Task08_HepaticVessel 和我们自己的 LASSD 数据集上，VasGuideNet 分别实现了 Dice 评分为 83.68% 和 76.65%，RVD 分别为 1.68 和 7.08。它在数据集上 consistently 优于包括 UNETR、Swin UNETR 和 G-UNETR++ 在内的代表性基线，实现更高的 Dice/mIoU 和更低的 RVD，展示了其在解剖一致分割方面的有效性。代码已公开于 https://github.com/Qacket/VasGuideNet.git。
引用
@article{arxiv.2602.21539,
title = {VasGuideNet: Vascular Topology-Guided Couinaud Liver Segmentation with Structural Contrastive Loss},
author = {Chaojie Shen and Jingjun Gu and Zihao Zhao and Ruocheng Li and Cunyuan Yang and Jiajun Bu and Lei Wu},
journal= {arXiv preprint arXiv:2602.21539},
year = {2026}
}