VasoMIM：面向血管解剖的掩码图像建模
计算机视觉与模式识别
2025-11-14 v2
摘要
准确的 X 射线血管造影图血管分割是众多临床应用的关键，但标注数据稀缺是一个显著挑战，这推动了采用自监督学习(SSL)方法，如掩码图像建模(MIM)，以利用大规模无标签数据学习可迁移的表征。然而，传统MIM往往无法捕获血管解剖，因为血管和背景像素之间的类别不平衡严重，导致血管表征较弱。为此，我们引入血管解剖感知掩码图像建模(VasoMIM)，这是一种针对 X 射线血管造影图的 novel MIM 框架，显式地将解剖知识集成到预训练过程中。具体而言，它包含两个互补组件：解剖导向的掩码策略和解剖一致性损失。前者优先掩码包含血管的图像块，以聚焦模型重建血管相关区域。后者在原始图像和重建图像之间强制血管语义一致，从而提高血管表征的判别性。实验上，VasoMIM 在三个数据集上实现了状态的最佳性能。这些发现凸显了其在 X 射线血管造影图分析中的潜力。
引用
@article{arxiv.2508.10794,
title = {VasoMIM: Vascular Anatomy-Aware Masked Image Modeling for Vessel Segmentation},
author = {De-Xing Huang and Xiao-Hu Zhou and Mei-Jiang Gui and Xiao-Liang Xie and Shi-Qi Liu and Shuang-Yi Wang and Tian-Yu Xiang and Rui-Ze Ma and Nu-Fang Xiao and Zeng-Guang Hou},
journal= {arXiv preprint arXiv:2508.10794},
year = {2025}
}
备注
Accepted by the Annual AAAI Conference on Artificial Intelligence (AAAI). Extended version