计算机工程

作者：徐晓峰, 黄韫栀, 徐军

单位：南京信息工程大学人工智能学院智慧医疗研究院, 江苏 南京 210044

关键词：血管分割,中心线约束,各向异性,注意力机制,双分支模型

基金：国家自然科学基金(U1809205); 国家自然科学基金(62171230); 国家自然科学基金(62101365); 国家自然科学基金(61771249); 南京信息工程大学科研启动经费(2022r100); 江苏省双创博士经费

血管分割对于血管疾病的诊断和治疗具有重要意义，但由于血管边界模糊、病变血管的形状多变且不同样本之间的差异性较大，因此要求分割模型能够准确地挖掘血管与背景类间的差异性以及血管内部的连通性。提出一种基于中心线约束与各向异性注意力的新型三维血管分割网络CAU-Net。针对血管分割的难点，对基础网络结构ResU-Net进行改进，构建各向异性注意力模块，该模块根据管腔结构特有的空间各向异性，从3个方向提取血管空间各向异性特征，并对特征通道间的相关性进行建模，学习血管的三维空间信息。采用主-辅双分支模型，b-Net对血管进行语义分割，a-Net学习血管中心线的连续性特征，约束b-Net的血管分割结果，保证血管分割结果的完整性。在公开数据集3D-IRCADb-01上的实验结果表明，对于门静脉及肝静脉的分割，CAU-Net分别取得(74.80±8.05）%和(76.14±6.89)%的Dice系数、(54.80±8.09)%和(50.40±5.22)%的NSD系数、(72.43±8.26)%和(70.84±6.05)%的clDice系数、(46.47±12.89)%和(39.19±7.97)%的分支检测率以及(67.08±15.59)%和(61.47±9.32)%的树长检测率。在公开脑血管数据集IXI上进行组件消融实验，模型在验证集上的平均Dice、NSD、clDice、BD和TD分别为（94.11±0.39）%、（96.53±0.37）%、（95.83±0.59）%、（98.64±1.63）%和（95.44±1.22）%，相比于Baseline分别提升了0.92%、0.82%、0.92%、1.11%和1.60%。CAU-Net血管分割模型能够显著提升血管分割的精度和完整度。

来源：2024年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第1期