Vesselpose：基于学习的 3D 血管图像中体素级方向向量的血管图重建

血管分割与追踪是众多医学影像应用中的关键任务。虽然已有许多方法存在，但目前主流的分割后修复范式在 modeling 完整且拓扑准确的血管网络重建方面存在根本性局限。本文提出了一种从 3D 图像数据中提取更具拓扑准确性的血管图的方法，基于来自相关生物医学任务中细胞分割和追踪的高成功理念。我们的做法首先预测体素级血管方向向量以及标准血管分割掩码。其次，为从这些预测中提取血管图，我们引入了一种基于方向向量引导的 TEASAR 算法的扩展方法。我们的做法在三个基准数据集上实现了最先进的性能，涵盖合成图像和真实图像。我们进一步证明了该方法适用于挑战性的 3D 微型 CT 心脏血管造影扫描。最后，我们提出了有意义且可解释的拓扑错误度量，即图的错误分裂和错误合并。总体而言，我们的做法显著改进了重建血管图的拓扑准确性，能够分离靠近的血管段并处理单个体积中的多个血管树。