Representing Topological Self-Similarity Using Fractal Feature Maps for Accurate Segmentation of Tubular Structures

这篇文章介绍了在生物学、医学和遥感等领域中需要准确分割长而细的管状结构的重要性，这些结构的复杂拓扑和几何形状通常会带来重大技术挑战。这些结构的一个基本特性是它们的拓扑自相似性，可以通过分形特征（如分形维数）来量化。本研究通过使用滑动窗口技术将分形维数扩展到像素级，将得到的分形特征图作为额外的输入和损失函数中的额外权重，以利用拓扑自相似性来提高分割性能。此外，作者还通过增加边缘解码器和骨架解码器来扩展U-Net架构，以提高分割的边界精度和骨架连续性。实验结果表明，这种方法在五个管状结构数据集上表现出了有效性和鲁棒性。此外，将FFM与其他流行的分割模型（如HR-Net）结合使用也能提高性能，表明FFM可以作为插件模块与不同的模型架构结合使用。作者已经公开发布了代码和数据，可以在https://github.com/cbmi-group/FFM-Multi-Decoder-Network获取。

本论文旨在解决长而薄的管状结构的准确分割问题，这个问题在生物学、医学和遥感等领域中具有重要意义。论文尝试通过引入分形特征来利用管状结构的拓扑自相似性来提高分割性能。

通过滑动窗口技术将分形维度（FD）扩展到像素级，生成分形特征图（FFM），并将其作为额外的输入和损失函数中的额外权重，以利用拓扑自相似性来增强分割性能。此外，论文还通过引入边缘解码器和骨架解码器来改进分割的边界精度和骨架连续性。

论文的实验结果表明，该方法在五个管状结构数据集上都具有有效性和鲁棒性。此外，将FFM与其他流行的分割模型（如HR-Net）集成，也可以提高性能。论文还提供了开源代码和数据。

在这个领域中，最近的相关研究包括：'DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field'、'Tubular Structure Segmentation Based on Multi-Scale Line Detection and Local Difference Analysis'、'3D FractalNet: Dense Volumetric Segmentation for Cardiovascular MRI Volumes'等。