电气工程与系统科学 > 图像与视频处理
[提交于 2024年11月1日
(v1)
,最后修订 2025年4月24日 (此版本, v2)]
标题: 基于图注意力引导扩散的连续完整肝脏血管分割
标题: Continuous and complete liver vessel segmentation with graph-attention guided diffusion
摘要: 提高连通性和完整性是肝脏血管分割中最具有挑战性的方面,尤其是对于小血管而言。 这些挑战需要同时学习连续的血管几何形状并专注于小血管检测。 然而,当前的方法并未明确解决这两个方面,在受不一致标注约束时无法很好地泛化。 在这里,我们利用扩散模型的泛化能力,并在基于扩散的分割模型中显式地整合了连通性和完整性。 具体来说,我们使用了一个图注意力模块,该模块添加了关于血管几何形状的知识。 此外,我们在多尺度上执行图注意力,从而关注小的肝脏血管。 我们的方法在两个公开数据集(3D-ircadb-01 和 LiVS)上优于五种最先进的医学分割方法。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.