基于新的血管性滤波器组合的深度血管分割
内容提要
本文综述深度学习在血管分割中的应用，涵盖图卷积网络、对比变分自编码器、U-Net、DeepVesselNet、少样本学习VesselShot及傅立叶域学习等方法，用于视网膜、冠状动脉和脑血管图像分割。这些方法在多个数据集上提升了精度并降低了计算量，但标注数据稀缺和图像质量仍制约精确分割。
延伸解读
方法多样性与技术趋势
文章汇总了多种深度学习血管分割方法，包括图卷积网络、对比变分自编码器、U-Net、DeepVesselNet、少样本学习VesselShot和傅立叶域学习等。这些方法针对视网膜、冠状动脉和脑血管等不同部位，反映了该领域从通用CNN向结合图结构、频域分析和少样本学习的专用化方向发展。
性能提升与计算效率
多个方法在提升精度的同时注重降低计算量。例如，DeepVesselNet使用2D十字卷积和合成数据降低复杂度；傅立叶域学习替代多尺度卷积核，在ASACA500和ImageCAS数据集上分别达到84.37%和80.32%的Dice分数，并减少计算需求而不损害全局感受野。这表明效率与精度可兼顾。
数据稀缺与标注挑战
标注数据稀缺和图像质量是精确分割的主要制约。VesselShot通过少样本学习利用少量注释辅助图像，在脑血管分割中取得平均Dice 0.62；多视图对比学习在CHASE-DB1上以UNet结构获得83.46%的F1和71.62%的IoU，超过基准。这些尝试旨在缓解数据依赖，但标注问题依然存在。
评估基准与泛化局限
研究使用HiP CT离体成像数据评估nnU-Net，clDice在0.82到0.88之间，但大血管分割因缺乏静水压力而效果较差，细小血管连接性减弱。这提示离体成像与在体成像存在差异，模型泛化需谨慎。建立稳健基准对新型成像模态下的血管分割至关重要。
Q&A
深度学习在血管分割中主要有哪些方法？
文章综述了多种深度学习方法，包括图卷积网络与CNN结合、对比变分自编码器、U-Net及边缘感知机制、DeepVesselNet、多视图对比学习、少样本学习VesselShot、傅立叶域学习以及LUNet等，用于视网膜、冠状动脉和脑血管图像分割。
VesselShot方法如何解决脑血管分割中标注数据稀缺的问题？
VesselShot是一种少样本学习方法，通过利用少量有注释的辅助图像的知识，缓解了脑血管分割中标注数据稀缺和大量标注的问题。在公开的TubeTK数据集上评估，取得了平均Dice系数为0.62（0.03）的分割结果。
傅立叶域学习在3D血管分割中有什么优势？
傅立叶域学习作为3D分层分割模型中多尺度卷积核的替代方法，可以降低计算负荷，同时保持网络内的全局感受野。此外，设计的零参数频域融合方法改进了U-Net架构中的跳过连接。在ASACA500和ImageCAS数据集上分别达到84.37%和80.32%的Dice性能，并大大减少了计算需求。
DeepVesselNet网络结构有什么特点？
DeepVesselNet是一种适用于血管图像分割的网络结构，主要使用2D十字卷积滤波器和合成数据集进行训练，能在降低计算复杂度的同时实现较高准确率。
目前血管分割面临哪些主要挑战？
自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。
对比变分自编码器在视网膜血管分割中有什么作用？
对比变分自编码器可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到提高，可以在不同目标领域生成稳定的血管造影，提供了一种无创、安全的荧光素血管造影替代方法。
