基于多任务 UNet 及血管性先验的弱监督脑内动脉瘤检测与分割
图像与视频处理
2025-08-04 v1 人工智能
计算机视觉与模式识别
摘要
脑内动脉瘤 (IA) 是脑血管畸形的异常扩张情况，一旦破裂可致危及生命。然而，其小体积和软对比度在放射学扫描中往往难以进行准确且高效的检测与形态学分析，这在临床护理中至关重要。此外，缺乏带有体素级专家标注的大型公开数据集也构成了开发深度学习算法应对此问题的挑战。因此，我们提出一种新型弱监督 3D 多任务 UNet，将血管性先验集成用于时飞行 MR 血管造影 (TOF-MRA) 中的动脉瘤检测与分割。具体而言，为稳健地指导 IA 检测与分割，我们采用流行的Frangi血管性滤波器推导软脑血管先验，用于网络输入和注意力模块，以从解码器进行分割，从辅助分支进行检测。我们在Laurent dataset 上以粗糙的真实分割训练模型，并在同一数据库的测试集上以细化的标签进行评估。为进一步评估模型的通用性，我们还在外部 ADAM 数据集上进行了验证。我们的结果表明，所提出技术在动脉瘤分割 (Dice = 0.614，95%HD = 1.38mm) 和检测 (误报率 = 1.47，灵敏度 = 92.9%) 方面优于 SOTA 技术。
引用
@article{arxiv.2508.00235,
title = {Weakly Supervised Intracranial Aneurysm Detection and Segmentation in MR angiography via Multi-task UNet with Vesselness Prior},
author = {Erin Rainville and Amirhossein Rasoulian and Hassan Rivaz and Yiming Xiao},
journal= {arXiv preprint arXiv:2508.00235},
year = {2025}
}
备注
Accepted to ICCV 2025 Workshop CVAMD