论文阅读----V-NET和级联的V-NET分割冠状动脉

论文地址：https://doi.org/10.1007/s10489-021-02197-6

摘要

在本文中，我们提出了一种新颖的 CCTA 图像分割框架，该框架结合了深度学习和数字图像处理算法来解决这些具有挑战性的问题。我们首先使用V-Net对分辨率较低的CCTA图像进行处理，得到与原始CCTA图像分辨率相同的基本特征图（粗分割结果）。然后，原始CCTA图像被级联到基本特征图并且将其输入到基于块拼贴的级联V形模块，以获得准确的冠状动脉分割图像。最后通过形态学运算得到冠状动脉分割图像的中心点和原始冠状动脉图像的基本梯度图像。 以冠状动脉分割图像的中心点为种子点，在二值基本梯度图像上进行区域生长，直至搜索到白色轮廓边界，从而得到分割完整、边缘平滑的冠状动脉分割结果。对提出的方法进行了定量和定性分析，结果表明该方法优于主流基线。 消融实验也证明了每一个模块的有效性。

本文提出了一种V-NET和级联的V-NET网络来分割冠状动脉。首先，将512*512*160的原始图像下采样维128*128*160的图像输入到V-NET 中，得到分辨率为512*512*160的粗分割结果，这些粗分割提取到的基本特征和原始图像，被输入到级联的V-NET网络中进行细分割。网络训练期间，使用Dice loss 评估网络预测的完整性，position offset loss 用于预测的冠状动脉连贯性。 在下采样阶段，同时使用深度监督来加速语义信息的提取。目前，基于深度学习的图像分割大多采用编码解码的神经网络来提取特征。编码器在提取图像特征的同时降低了图像的分辨率。 当通过语义信息响应空间信息时，解码器很难重现完美平滑的边缘。一些研究者通过校正冠状动脉边缘或使用类似于ACM的平滑损失函数使冠状动脉分割更平滑。但是这些方法可以很容易地过滤掉冠状动脉中的