Centerline Boundary Dice Loss for Vascular Segmentation

在医学影像学中，血管分割在分析形态和功能评估方面起着至关重要的作用。传统方法如中心线Dice（clDice）损失可确保拓扑保持，但在捕捉几何细节方面表现不佳，特别是在平移和变形下。将clDice与传统的Dice损失相结合可能导致直径不平衡，偏向更大的血管。为了解决这些挑战，我们引入了中心线边界Dice（cbDice）损失函数，它协调了拓扑完整性和几何细微差别，确保在各种血管大小下具有一致的分割。cbDice通过包括边界感知方面丰富了clDice方法，从而提高了几何细节识别。它通过基于掩模距离的方法与边界差异与并集（B-DoU）损失的性能相匹配，提高了平移灵敏度。关键是，cbDice结合了血管骨架的半径信息，使其能够均匀地适应血管直径的变化，并保持分支生长和断裂影响的平衡。此外，我们对clDice变体（cl-X-Dice）进行了理论分析。我们在三个不同的血管分割数据集上验证了cbDice的有效性，包括二维和三维、二元和多类别分割。特别是，与cbDice集成的方法在MICCAI 2023 TopCoW挑战数据集上表现出色。我们的代码已公开在https://github.com/PengchengShi1220/cbDice上提供。

论文旨在解决医学图像中血管分割的问题，尤其是在捕捉几何细节方面的挑战。作者提出了中心线边界Dice（cbDice）损失函数，以实现拓扑完整性和几何细节的协调，确保在各种血管大小下的一致分割。

cbDice损失函数通过包含边界感知方面来丰富中心线Dice方法，从而提高几何细节识别。cbDice利用血管骨架的半径信息，实现对血管直径变化的均匀适应，从而保持分支生长和断裂的平衡。

论文在三个不同的血管分割数据集上验证了cbDice的有效性，包括2D和3D、二进制和多类分割。尤其是在MICCAI 2023 TopCoW Challenge数据集上表现出色。作者在github上公开了代码。

最近的相关研究包括基于深度学习的医学图像分割方法，如U-Net、SegNet、Mask R-CNN等。