基于各向异性注意力的双分支血管分割模型

作者：徐晓峰; 黄韫栀; 徐军^*

来源：计算机工程, 2023, 1-13.

DOI：10.19678/j.issn.1000-3428.0067078

• 血管分割
• 中心线约束
• 各向异性
• 注意力机制
• 双分支模型

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，要求分割模型能够准确地发掘血管与背景类间的差异性以及血管内部的连通性。对此，提出了一种基于中心线约束和各向异性注意力的新型三维血管分割网络CAU-Net。CAU-Net针对血管分割的难点对基础网络结构ResUNet进行改进，提出了各向异性注意力模块，该模块利用管腔结构特有的空间各向异性，从三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。还采用了主-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进行对比实验，对于门静脉及肝静脉的分割，CAU-Net分别取得了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、72.4%3±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（BD）以及67.08%±15.59%和61.47%±9.32%的树长检测率（TD）。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分别是为94.11%、96.53%、95.83%、98.64%和95.44%，相比于baseline分别提升了0.92%、0.82%、0.92%、1.11%和1.60%。实验结果表明，CAU-Net（Centerline-Constraint and Anisotropy-Attention U Network）血管分割模型，能够使血管分割的精度和完整度显著提升。

• 单位
  南京信息工程大学