血管-RW：通过学习的随机游走传播进行弱监督皮下血管分割.pdfVIP

血管-RW：通过学习的随机游走传播进行弱监

督皮下血管分割

1,21,2

AyaanNooruddinSiddiqui,MahnoorZaidi,

1,21,2

AyeshaNazneenShahbaz,PriyadarshiniChatterjee,

KrishnanMenonIyer1,2

1SNAITResearch.

2SuryaNetAITechnologies(SNAIT).

本

译摘要

中从临床图像中准确分割皮下血管受到稀少且昂贵的地面真实数据以及患者和模态

间血管对比度低、噪声大的影响。我们提出了一种专门针对皮下血管分割的新颖弱

1监督训练框架，该框架利用廉价的稀疏标注（例如，中心线轨迹、点标记或简短笔

v画）。通过一种可微分的随机游走标签传播模型将稀疏标签扩展为密集的概率监督，

9该模型的转移权重集成了基于图像的血管性提示和管状连续性先验。传播生成每个

1

8像素的命中概率以及校准后的不确定性估计；这些被纳入到一个不确定加权损失中

6以避免过度拟合模糊区域。关键的是，标签传播器与基于CNN的分割预测器共同

0学习，使系统能够在没有显式边缘监督的情况下发现血管边缘和连续性约束。我们

.进一步引入了一种拓扑感知正则化项，鼓励中心线连通并惩罚虚假分支，从而提高

8临床可用性。在皮下成像数据集上的实验表明，我们的方法始终优于基于稀疏标签

0

5的简单训练和传统的密集伪标注，产生更完整的血管图以及更适合下游决策的校准

2不确定性。该方法显著减少了注释负担同时保留了临床上相关的血管拓扑。

:

v

i

x

r

a1介绍

皮下血管结构的精确划分是许多诊断和介入工作流程中的基本步骤（例如，

血管通路规划、微循环监测），但这一过程仍然在技术上具有挑战性。与一般的语

义分割任务相比，血管分割面临着独特的低对比度管状结构、较大的患者间变异

1

性和频繁的成像噪声及伪影的问题，并且——关键在于——由于像素级血管掩模

对于临床医生来说制作耗时费力，因此非常有限的密集标注。

深度学习在众多领域中成为了一种变革力量，包括计算机视觉Yanetal.;

Bazietal.(2021)。在目标检测和语义分割等任务中的顶尖表现现在通常是通过先

进的模型实现的——特别是基于卷积神经网络和视觉变换器的模型——这些模型

擅长捕捉复杂的视觉模式并提供精确到像素级别的划分。这些进步是由架构设计

（例如，ResNets、视觉变换器）、大规模预训练策略、自监督学习框架以及数据增强

和正则化等改进训练技术方面的创新推动的。然而，在特定环境下的部署——如

皮肤镜皮肤病变分析中——这些模型面临着独特的障碍。挑战包括标签数据稀缺、

图像失真（例如，头发遮挡、比例标记、反光）、病灶与周围皮肤对比度低以及临

床上准确边界检测的关键需求。克服这些限制推动了定制化网络设计、注意力驱

动机制和针对医学影像分割优化的领域特定损失函数的发展。Wangetal.(2023);

Zhangetal.(2024)