论文地址：Excellent-Paper-For-Daily-Reading/medicine at main
类别：医学
时间：2023/11/02
摘要
论文提出了一种将端到端可训练多任务全卷积网络(FCN)与最小路径提取器相结合的中心线提取框架。FCN同时计算中心线距离图和检测分支端点。该方法生成单像素宽的中心线，没有虚假分支。它处理任意树状结构的对象，而不预先假设树的深度或其分岔模式。它对目标物体不同部分的大规模变化和物体分割掩码的微小缺陷也具有鲁棒性。据我们所知，这是第一个基于深度学习的中心线提取方法，可以为复杂的树状结构对象保证单像素宽的中心线。
代码已开源：kylebeggs/DeepCenterline: Model for finding a centerline distance map of blood vessel segmentations to then be fed into a graph minimum path extractor to find the centerlines of a vessel using PyTorch. It uses a Residual UNet (Convolutional AutoEncoder) type architecture.
不过论文中说的是FCN，带开源所用的是Unet。
网络结构
提出了多任务FCN架构。输入为3D分割掩码体积。中心线距离映射和端点置信度映射计算这两个任务共享相同的编码器路径，并具有单独的解码器路径。
在相同规模的特征之间增加了跳跃连接，以便更好地利用信息。为中心线距离地图任务增加了一个注意力模块，以进一步提高准确性。
得到的距离图和端点列表被输入到最小路径提取器中，该提取器给出最终的中心线提取结果。
实验
为了评估所提出的方法，620名患者的620冠状动脉容积CTA扫描被使用。
冠状动脉和升主动脉由半自动软件进行分割，并进行人工审查和编辑。冠状动脉和升主动脉的分割掩模作为实验输入。由于冠状动脉起源于升主动脉，因此每个冠状血管树的根点都可以作为连接主动脉的动脉体素。为了简化符号，我们使用CL作为“中心线”的简写。
由于船只的三维结构复杂，且要求单像素宽，很难手工标注中心线。因此，在训练过程中，通过最先进的传统方法(称为基线)提取的中心线作为DeepCL的训练参考真值。在测试期间，DeepCL与基线之间的匹配程度首先作为完整性检查进行研究。然后利用各种不需要“真相”中心线的指标，如中心线到分割掩模Hausdorff距离，以及独立的人类专家评审，来评估DeepCL和基线方法。
这是三个由DeepCL提取的中心线覆盖的冠状动脉分割蒙版示例。对于每根冠状动脉，桡骨从近端到远端变化很大。不同冠状动脉的血管曲率、形状和分支拓扑结构差异很大。尽管存在这些困难，但我们的方法能够为所有分支提取位置良好的中心线，而不会出现假阳性分支。
结论
提出了一种新的中心线提取框架，该框架结合了多任务FCN计算局部归一化中心线距离图和检测分支端点，以及最小路径提取器。该方法是第一个基于深度学习的中心线提取方法，可以保证复杂树状结构对象的单像素宽中心线。该方法对不同位置的大规模变化和分割掩码的微小缺陷具有鲁棒性，生成的中心线对分割掩码的覆盖更完整、更紧密，无假阳性分支。
