论文下载地址：Excellent-Paper-For-Daily-Reading/nn-block at main
类别：模块
时间：2023/10/31
摘要
血管和道路等管状结构在各种临床和自然环境中具有极其重要的意义，在这些环境中，精确分割对于下游任务的准确性和效率至关重要。然而，这项任务远非易事，主要是由于它们薄而脆弱的局部结构特征以及复杂多变的整体形态特征带来的挑战。
在这篇论文中，重点是利用管状结构的细长和连续属性来增强神经网络三个关键阶段的感知：特征提取、特征融合和损失约束。为此，引入了动态蛇卷积（DSCNet），它包括多视图特征融合策略和连续性拓扑约束损失。基于2D和3D的方法提供了设计，并实证证明了我们论文中提出的DSCNet显着提高了管状结构分割任务的准确性和连续性。
这篇论文的代码也已经开源了：DSCNet: Pytorch Implement of Dynamic Snake Convolution
实验
- 上图:在每张图像上叠加3层，共729个点(红色)，以显示给定点(黄色)的卷积核的位置和形状。
- 下图:热图显示了每个卷积感兴趣的区域。
论文中说到想要实现的就是使模型能够在学习特征的同时动态调整其卷积核的形状。这有点自适应的感觉，这能够使模型在学习特征的同时动态调整其卷积核的形状。由于管状结构的比例相对较小，模型往往会失去对这些特定结构的感知。因此，卷积核明显偏离了其预期的焦点。为了解决这个问题，作者提出了一种针对管状结构特性的专用网络结构设计。这种专门的结构可作为指导框架，确保模型有效地确定关键特征的优先级。
动态蛇卷积（DSConv）
这个设计结构目标是让卷积核能够自由地适应结构，从而进行有效的特征学习，同时确保它不会在定义的约束范围内偏离目标结构太远。这一观察结果与动物的特征进行了类比：蛇。设想卷积核像蛇一样动态扭曲和扭曲以符合目标结构，从而实现更精确的特征提取。
然而，这也不是意味着完全自由的形状，因为这可能导致失去精细结构细节，例如分割目标中的血管等微小结构。这对于分割细长管状结构来说是一个极大的挑战。作者也是从蛇的运动中获得启发，当蛇的头部引导身体前进时，它以逐段的方式移动，产生波浪状的运动。
在设计的时候，也是引入了连续性约束，在每个卷积位置，前一个位置作为自由选择卷积运动方向的参考点。这种方法既确保了适应结构的自由度，又确保了特征感知的连续性。
总结
基于管状结构的特殊特征，专门设计用于解决细长管状结构的分割问题，有效地将形态特征与拓扑知识相结合，以指导模型的自适应分割。本篇提出了一种动态蛇形卷积，自适应聚焦于细长和扭曲的结构，从而准确捕捉管状结构的特征。其次，引入多视角特征融合策略，弥补了特征融合过程中多角度关注特征的不足，保证了不同全局形态的重要信息被保留。