MICCAI2022| 用于骨表面分割的方向引导图卷积网络

189****6672

论文标题：Orientation-Guided Graph Convolutional Network for Bone Surface Segmentation

论文地址：https://arxiv.org/pdf/2206.08481.pdf

代码地址：暂无

摘要

背景介绍：由于超声图像中的成像伪影和低信噪比，自动骨表面分割网络通常会产生碎片化预测，这可能阻碍超声（US）引导的计算机辅助外科手术的成功。
现存问题：现有的逐像素预测通常无法捕捉骨组织的精确拓扑，因为缺乏监督来加强连接。
解决方法：在这项工作中，作者提出了一种方向引导图卷积网络，以在分割骨骼表面时提高连通性。还提出对骨骼表面的方向进行额外的监督，以进一步加强连接。在1042次股骨、膝盖、脊椎和桡骨远端的活体超声扫描中验证了方法。方法在连通性度量方面比现有技术方法提高了5.01%。

算法

用于骨分割的图卷积

O-GCN的主要构建块是图卷积模块，它通过首先构建来提取特征空间中的图G=(V,ξ,A)来骨段之间的连通性，然后对构造的图G执行图卷积，如下所示：

其中V表示节点，ξ表示边，A是描述每个节点之间相似性的相似性/邻接矩阵，X是输入特征图，W是可学习权重矩阵，σ（·）是非线性激活函数。与标准卷积运算X=σ（XW）不同，图卷积通过相似性矩阵A将节点与卷积过程之间的连通性结合在一起，这有助于以较少的不连续性改进骨分割预测。

特别是，给定大小为c×h×w的X，其中c表示通道的数量，h和w表示X的宽度和高度，可以构造大小为l×l的相似矩阵，其中l=h×w，实验发现，它们引入了大量的计算开销和更长的推理时间，使其不适合医学图像分割。因此，为了解决这个问题，提出了一个可学习的相似性矩阵A（X），其中在学习过程中调整A的参数，最终导致更少的内存需求和更快的推理时间。具体地，计算可学习相似性矩阵A（X）如下：

其中φ（X）∈ Rl×m被建模为1×1卷积层，∧（X）∈ Rm×m是通过全局平均池（GAP）和1×1卷积得到的对角矩阵，T表示矩阵转置运算。

骨方向学习作为辅助任务

现有的骨分割网络仅利用二进制交叉熵（BCE）损失来优化网络参数。然而，由于训练过程中缺乏连通性监督，它无法预测拓扑正确和连接的骨段。受此启发，以及人类通过在特定方向跟踪骨骼来注释骨骼的行为，制定了一个辅助骨骼方向预测任务，以将连通性约束应用于主骨骼分割任务。

为此，采用以下程序从真实骨分割图生成骨方向图，该图将进一步用于计算训练过程中的辅助骨方向损失。

给定真实骨骼分割掩模（见图1-（b）），首先通过对真实骨骼分段图进行骨架化来获得骨骼线串，并使用Ramer-Duglas-Peucker算法对其进行平滑（见图1-（c））。将骨骼线串集合表示为{l1，l2，··，lk，···，ln}，将连接给定线串lk的2D点表示为{p1，p2，··pn}。假设表面分割是无方向的，则对点进行排序，使得向量从左到右和从上到下指向，以强制神经网络学习关联表示（见图1-（c））。在两个连续的坐标对（p1，p2），··，（pn−1，pn）计算单位方向向量−→v表示：