41、3D图像分割：形状感知小血管分割与频率域自注意力模型

3D图像分割：形状感知小血管分割与频率域自注意力模型

在医学图像分析领域，3D图像分割对于疾病诊断和治疗规划至关重要。本文将介绍两种创新的3D图像分割方法，分别是形状感知的3D小血管分割方法和基于频率域自注意力的HartleyMHA模型。

形状感知的3D小血管分割

在小血管分割任务中，由于小血管的不规则外观、相对有限的分辨率和低对比度条件，传统方法面临诸多挑战。为了解决这些问题，研究者提出了一种自监督网络。

局部对比度注意力模块

该网络在编码器和解码器之间的跳跃连接中引入了局部对比度注意力模块。如图3(b - d)所示，这些模块能够增强低对比度小血管的血管性测量，使网络更聚焦于小血管特征。

自监督损失函数

为了训练网络，研究者提出了基于通量的损失函数 $L_{flux}$，它是整个图像空间上负的平均血管性得分。该损失函数利用了基于通量滤波器的清晰边缘分离特性，以及自适应形状感知通量计算对不规则形状血管的鲁棒性。同时，为了确保血管结构的连续性，采用了路径连续性损失 $L_{path}$。具体计算公式如下：
- $L_{flux}(P, R) = -\frac{1}{N} \sum_{x\in\Omega} f_{vs}(x, R(x), \overrightarrow{\rho_x})$
- $L_{path}(P, R) = -\int_{\Omega} \int_{0}^{2R(x)} (P(x) \cdot P(x + t))dtdx$

其中，$N$ 是体素总数，$R(x)$ 是 $x$ 处的平均半径，$P(x)$ 是 $x$ 处的血管主方向。此外，还应用了均方误差损失