Towards Cross-Scale Attention and Surface Supervision for Fractured Bone Segmentation in CT

骨骼分割是骨折外科手术前准备的重要步骤。由于骨折在位置和形态上存在巨大差异，以及不同骨骼结构的固有解剖特征，因此从计算机断层扫描（CT）中自动分割骨折骨仍然具有挑战性。为了缓解这些问题，我们提出了一种跨尺度注意力机制和表面监督策略，用于CT中骨折骨的分割。具体而言，引入了跨尺度注意力机制，以有效地聚合不同尺度之间的特征，提供更强大的骨折表示。此外，采用表面监督策略，明确约束网络更多地关注骨边界。所提出的方法在包含髋部骨折CT扫描的公共数据集上进行了评估。评估指标为Dice相似系数（DSC）、平均对称表面距离（ASSD）和Hausdorff距离（95HD）。所提出的方法实现了93.36%的平均DSC、0.85mm的ASSD和7.51mm的95HD。我们的方法为盆骨CT检查提供了一种有效的骨折分割方法，并有潜力用于提高其他类型骨折的分割性能。

解决骨折手术前计划中的骨骼分割问题，由于骨折的位置和形态差异大，不同骨结构的解剖特征不同，因此自动化分割仍然具有挑战性。

引入跨尺度注意力机制以及表面监督策略，有效地聚合不同尺度之间的特征，提供更强大的骨折表示，并明确限制网络更多地关注骨边界。

使用公共数据集进行评估，提出的方法在骨盆CT检查中实现了有效的骨折分割方法，并有潜力用于改善其他类型骨折的分割性能。评估指标为Dice相似系数（DSC），平均对称表面距离（ASSD）和Hausdorff距离（95HD），平均DSC达到93.36％，平均ASSD为0.85mm，95HD为7.51mm。

最近的相关研究包括：1）骨骼分割的其他方法，如基于深度学习的方法和传统的基于阈值的方法；2）骨折分割的其他方法，如基于形态学的方法和基于图像分割的方法。