CylinGCN:通过基于轮的图形卷积网络在3D生物医学光学成像中对圆柱形结构进行细分.
Zhichao Liang1, Shuangyang Zhang1, Anqi Wei1
1School of Biomedical Engineering, Southern Medical University, Guangzhou, 510515, China; Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou, 510515, China; Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, Guangzhou, 510515, China.
概括
这项研究介绍了CylinGCN,这是一个新的图形神经网络,用于在生物医学图像中分割3D圆柱形结构. 通过整合几何特征和拓关系,CylinGCN确保了持续的细分,实现了最先进的结果.
科学领域:
- 生物医学光学成像技术
- 医学图像分析 医学图像分析
- 计算解剖学的计算解剖学
背景情况:
- 像血管和呼吸道这样的圆柱形结构在生物医学成像中很常见.
- 这些结构的准确细分对于生理分析至关重要.
- 现有的方法与几何连续性和拓特征作斗争.
研究的目的:
- 开发一种新的深度学习方法,用于生物医学光学成像中的圆柱状结构的精确3D细分.
- 解决传统和基于分类的深度学习方法在保持几何连续性的局限性.
主要方法:
- 推出CylinGCN,一个基于轮的图形神经网络,将圆柱状结构视为3D图形.
- 采用了一个多尺度的3D语义特征提取器和一个残余图卷积网络 (GCN) 轮生成器.
- 集成的语义特征与圆柱形拓 priors 的细分.
主要成果:
- 在细分3D圆柱形结构方面,CylinGCN实现了最先进的性能.
- 在光声断层扫描 (PAT) 和光连贯性断层扫描 (OCT) 数据上证明有效.
- 确保连续和几何精确的细分表面.
结论:
- 在生物医学光学成像中,CylinGCN为3D圆柱形结构细分提供了强大而有效的解决方案.
- 图形神经网络方法成功地捕获了复杂的拓关系和几何特征.
- 该方法显示了推进组织生理学分析的巨大潜力.
