Skeleton Supervised Airway Segmentation

全监督气道分割多年来在协助术前诊断和术中导航方面取得了重大胜利。然而，完整的体素级注释是一项劳动密集和耗时的任务，常常受到缺失分支、分支注释不连续或错误的边缘描绘等问题的困扰。在医学实践中，对于气道提取而言，标签高效的解决方案很少被探索。为此，我们介绍了一种专门针对气道的新型骨架级别注释（SkA），它简化了注释工作流程，同时增强了注释的一致性和准确性，保留了完整的拓扑结构。此外，我们提出了一种基于骨架监督学习的框架，以实现精确的气道分割。首先，引入了双流缓冲推断来实现从SkA的初始标签传播，避免了直接从SkA学习导致的崩溃。然后，我们构建了一个几何感知的双路径传播框架（GDP），进一步促进了互补传播学习，包括硬几何感知传播学习和软几何感知传播指导。实验表明，我们提出的框架优于使用SkA的竞争方法，其气道数量仅占1.96％，并且与完全监督100％气道的基线模型具有可比性，展示了其在实现标签高效分割其他管状结构（如血管）方面的重要潜力。

提高医学领域中气道分割的标注效率，同时保持拓扑完整性和准确性

提出基于骨架级别注释（SkA）的气道分割方法，通过构建几何感知的双路径传播框架（GDP）实现标注效率和分割准确性的平衡

论文提出的SkA注释方法和GDP分割框架可以有效提高气道分割的标注效率和准确性，实验结果表明该方法在气道分割方面表现优异，同时也具有在其他管状结构分割方面的潜在应用价值

近期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、Mask R-CNN等