ERNet:在数字减法血管图像图像中进行脑血管细分的边缘规范化网络

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 神经学 神经学

背景情况:

• 脑卒中,特别是缺血性脑卒中,是全球主要的健康问题,导致严重的残疾和死亡率.
• 数字减去血管学 (DSA) 对于可视化大脑血管至关重要,但由于成像变异,准确的细分仍然具有挑战性.
• 在DSA图像中有效的脑血管细分对于评估中风相关的病变至关重要.

研究的目的:

• 开发一种先进的方法,以在DSA图像中准确地对脑血管进行细分.
• 引入一个新的边缘规范化网络 (ERNet),以应对细分挑战.
• 为了促进开放式研究,向大脑血管提供第一个像素级语义细分数据集 (FPDSA).

主要方法:

• 提出ERNet,它利用注释上的侵蚀和扩展来创建伪基真相 (虚假负面/正面),以改进预测.
• 实施混合融合模块,将卷积和变压器方法结合起来,用于全面的特征提取 (本地和远程).
• 介绍FPDSA数据集,专门设计用于在DSA图像中像素级脑血管的语义细分.

主要成果:

• 在对FPDSA数据集进行的广泛实验中,ERNet表现出领先的表现.
• 提出的边缘规范化技术有效地改进了细分预测.
• 混合融合模块成功捕捉了脑血管的本地细节和全球背景.

结论:

• ERNet为DSA图像的大脑血管细分提供了显著的进步.
• 开发的方法有望改善缺血性中风的评估和管理.
• 引入FPDSA数据集将加速神经血管成像分析的研究和开发.