Dual-Branch Vascular Segmentation Model Based on Anisotropic Attention
Notice bibliographique
Résumé
Vascular segmentation is significant for diagnosing and treating vascular diseases. However, because of the fuzzy boundary of vessels, the variable shape of diseased vessels, and the significant differences between different samples, the segmentation model should accurately determine the differences between vessels and background classes and analyze the connectivity within vessels. This study proposes a novel three-dimensional vascular segmentation network, CAU-Net, based on centerline constraints and anisotropic attention. In response to the difficulties in vascular segmentation, the basic network structure, ResU-Net, is improved to construct an anisotropic attention module. This module extracts vascular spatial anisotropic features from three directions based on the unique spatial anisotropy of the vascular structure and models the correlation between feature channels to learn the three-dimensional spatial information of the vessels. By using the main auxiliary dual-branch model, b-Net performs semantic segmentation on vessels, whereas a-Net learns the continuity features of vessel centerlines, constrains the vascular segmentation results of b-Net, and ensures the integrity of the vascular segmentation results. The experimental results on the publicly available dataset 3D-IRCADb-01 shows that for the segmentation of portal and hepatic veins, CAU-Net achieves Dice coefficients of (74.80±8.05)% and (76.14±6.89)%, NSD coefficients of(54.80±8.09)% and(50.40±5.22)%, clDice coefficients of (72.43±8.26)% and(70.84±6.05)%, Branch Detection(BD) rates of (46.47±12.89)% and(39.19±7.97)%, and Tree length Detection(TD) rates of(67.08±15.59)% and(61.47±9.32)%, respectively. Component ablation experiments are conducted on the publicly available cerebrovascular dataset IXI, and the average Dice, NSD, clDice, BD, and TD values of the model on the validation set are(94.11±0.39)%, (96.53±0.37)%, (95.83±0.59)%, (98.64±1.63)%, and(95.44±1.22)%, respectively. Compared to the Baseline, the average Dice, NSD, clDice, BD, and TD values of the proposed model increased by 0.92%, 0.82%, 0.92%, 1.11%, and 1.60%, respectively. The CAU-Net vascular segmentation model can significantly improve the accuracy and completeness of vascular segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».