【报告内容】

汇报人：周玉航

汇报单位：河海大学

主题：《Dynamic Snake Convolution based on Topological Geometric Constraints for Tubular Structure Segmentation》

1、Introduction

2、Methods

3、Experiment

4、Conclusion

【报告总结】

1、待解决的问题描述

在各个领域中，对拓扑管状结构的准确分割对于确保下游任务的精确性和效率至关重要。由于管状结构都拥有细长和曲折的共性特征，同时由于其在图像中的占比较小，这使得关键特征难以被模型捕捉。因此，迫切需要增强对细长管状结构的感知。

本文应对其细小脆弱的局部结构和复杂多变的全局形态，提出了动态蛇形卷积（DSConv）来自适应细长和曲折的局部结构，提出了一种多视角特征融合策略来应对复杂多变的全局形态。还提出了一种基于持久同调（PH）的拓扑连续性约束损失函数（TCLoss）以更好地约束分割的拓扑连续性。

2、相关创新方案

（1）动态蛇形卷积

受到可变卷积的启发，引入了变形偏移∆。然而，如果模型被完全自由地学习变形偏移，感知场往往会偏离目标，特别是在处理细长管状结构的情况下。因此，采用了一个迭代策略，依次选择每个要处理的目标的下一个位置进行观察，从而确保关注的连续性，不会由于大的变形偏移而将感知范围扩散得太远。

动态蛇形卷积会根据输入特征图学习变形，以适应管状结构形态的知识，自适应地聚焦于细长且弯曲的局部特征。

（2）多视角融合策略

多视角融合策略以补充对关键特征的多方面关注。在这个策略中，基DSConv生成了许多形态学核模板，从多个角度观察目标的结构特征，并通过总结基本的标准特征来实现特征融合，从而提高我们模型的性能。

（3）拓扑连续性约束损失

在任务中，离群点代表异常的出现或消失时间，并暗示了错误的拓扑关系，起到了重要作用。

本文中采用的是豪斯多夫距离（Hausdorff Distance, HD），HD也是用于衡量点集相似度的一个重要算法，对离散点也非常敏感。最终，通过两个损失函数（TCLoss 与交叉熵损失）的联合作用，拓扑和准确性得到了约束，有助于实现连续的管状结构分割。

3、实验总结

(1)实验展示不同方法的视觉效果验证我们提出的方法在薄管状结构分割任务中的性能。

(2)分析了提出的 DSConv 引导模型专注于管状结构的有效性，以及 TCLoss 对分割拓扑的约束帮助。

(3)以 DRIVE 数据集为例的综合性实验，包括消融研究，还突出了其他数据集上一些最重要的比较实验的结果。结果显示我们的方法在2D 和 3D 领域都表现出色。

4、未来工作

其他形态目标是否会以类似的范例获得更好的性能。与此同时，更多的研究将探讨将其他类型的领域知识或拓扑分析纳入，以进一步提高分割性能的可能性。此外，更多的实验证明和理论验证将丰富这个主题。

报告时间：2024年01月05日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)