DU-Net：一种协同优化模型的小样本脑血管分割方法

摘要

脑血管分割是脑血管疾病筛选、病理发展追踪和精准手术治疗的重要基础.受限于患者隐私保护和脑血管复杂的手工标注，现有的脑血管公开数据集样本少、人工标注信息不足，从而限制发展高性能的脑血管分割方法.为解决上述问题，本文提出了一种粗-精分割的Double U-Net协同优化模型(DU-Net)，旨在提高小样本相位对比磁共振血管成像(Phase contrast magnetic resonance angiography, PC-MRA)脑血管分割数据集下的性能表现.首先，DU-Net的两部分路径骨干由3D U-Net构成，其中粗分割路径采用低通道数量的轻量卷积核，从而减少协同训练负担，实现脑血管拓扑特征的初步学习.接着，将拓扑形态传递到精分割路径，从而为模型补偿泛化特征.此外，在精分割路径的跳跃连接部分引入了压缩激励(Squeeze and excitation, SE)模块，为目标区域赋予更高的学习权重.实验结果显示，DU-Net在小样本脑血管数据集上的查准率、查全率、杰卡德系数和Dice系数分别是78.29%、67.91%、57.81%和72.59%，综合表现最优.结果表明，DU-Net具备更强的特征学习与识别能力，能够在小样本数据集上实现精确脑血管分割.

关键词

脑血管分割 / 深度学习 / 相位对比磁共振血管成像 / 小样本数据集 / 协同优化 / 压缩激励模块

基金资助

国家自然科学基金青年资助项目（62301026）