HN-Seg：基于分支血管形态特征学习和噪声标签优化的肝脏血管分割方法

摘要

提出一种联合分层血管形态感知和噪声标签优化的肝脏血管分割方法（HN-Seg），旨在减少对高质量标签的依赖，同时实现精确的血管分割。HN-Seg包含分层血管形态感知网络和自蒸馏噪声标签优化方法：分层血管形态感知网络利用多尺度局部形态注意力机制和全局形态保持损失函数，确保整体血管形态的完整性；自蒸馏噪声标签优化方法利用模型输出的不确定性，通过不确定性优化和一致性正则化，在训练过程中充分利用图像中知识同时优化含噪标签。在肝脏血管数据集上进行的实验表明，HN-Seg在分割性能上表现出色，优于6种算法（UNet、UNet++、UNETR、SwinUNetR、FRUNet、MTCL），其中DSC和clDice指标分别达到0.727和0.773，相较基线方法 UNETR分别提升9.6%和21.5%。

关键词

肝脏血管分割 / 血管形态学 / 分层血管形态感知网络 / 自蒸馏噪声标签优化

基金资助

国家自然科学基金（62271480）; 科技创新2030项目（2022ZD0208502）; 中国科学院青年创新促进会（2021324）; 苏州市基础研究试点项目（SSD2023009,SSD2023008）; 苏州市科技计划项目（SYG202321,SZS2024007）; 河南省重点研发专项（251111314400）