Ori-Net: Orientation-guided Neural Network for Automated Coronary Arteries Segmentation
Ori-Net: Orientation-guided Neural Network for Automated Coronary Arteries Segmentation
论文：《Ori-Net: Orientation-guided Neural Network for Automated Coronary Arteries Segmentation》（ESWA 2024)
主要贡献：
提出了一种利用预测方向和半径的定向制导跟踪方法。该算法迭代重建冠状动脉，并将重建与粗分割融合，进一步提高分割性能。
冠状动脉结构可以被表示为由不同半径的、以方向为指导的球体包络所重建的外包络
用半径和方向作为冠状动脉的两个基本度量。
注1：半径：当前位置到冠状动脉边界的距离；方向：从当前位置确定下一个位置的指向
注2：半径信息有助于确定血管的边界，而方向信息则确定血管延伸的方向。
Ori-Net
Ori-Net模型与UNet结构相似，Ori-Net模型利用了这种基于几何信息的分割方法，同时预测了冠状动脉的分割结果、半径和方向，并通过一个导向追踪的方法，利用预测的半径和方向来重建冠状动脉。
多任务学习：Ori-Net有三个预测分支（分割分支、半径分支和方向分支），每个分支都有一个核大小为1的卷积层，分别用于预测分割、半径和方向。
损失函数：
注1：分别表示分割损失、半径分类损失和方向分类损失
注2：使用dice损失：
如何基于分割标签𝑌生成半径标签𝑍和方向标签𝑂？
半径分支
将回归问题转换为分类问题：
通过离散化半径标签来创建半径类别。
半径分支负责预测半径类别图Z，该图对冠状动脉体素进行半径类别预测。
生成半径标签：
通过分割掩码来生成与输入图像大小相同的距离图，图中的每个值表示了每个像素点到前景边界的距离
使用one-hot编码将每个距离值量化到K个类别中，于是连续的距离图就变成了离散的边界距离图。在这个图中，每个体素都有一个对应的半径类别
注：参数K的设定，来自于统计出的先验知识
半径分类损失使用交叉熵损失：
方向分支
任务背景：现有的冠状动脉方法忽略了冠状动脉结构中的体素的几何信息
方向分类损失使用交叉熵损失：
方向类别图的生成：
确定点的属性：
对于每个连通域，首先通过八叉树数据结构计算中心线
注：利用八叉树数据结构，可以优化中心线计算，由于八叉树将图像划分成了多个子区域，只需对包含冠状动脉的子区域进行进一步处理。这减少了不必要的计算负担。
计算中心线半径图
使用最短路径算法确定起点 和终点
下一个点是以为中心、半径为的球与中心线的交点
注：球的中心是当前的中心点 ，而半径 是通过距离变换计算得到的。这个半径值表示从当前点到血管边界的距离，反映了该点处血管的局部粗细程度。
根据点的斜率的和来判断点的属性(起点、终点、直线路段上的点以及分支点)
注1：，则该点是起点或终点，这意味着该点只连接到一个其他点。，则该点处于直线段上，这意味着该点与前后两个点相连，并且没有其他分支。，则该点是一个分支点,这意味着该点连接到多个不同方向的点。
注2：为了计算某个点 的斜率，算法会检查该点在局部邻域内的连通性。
一旦确定了下一个点，算法将 作为新的中心点，并重复这一过程,直到到达终点。
- 方向类别的生成
每个点需要生成一个方向类别，方向类别用来表示该点的运动方向。
起点、终点或分支点：对于起点、终点或分支点，这些点在冠状动脉的几何结构中具有特殊的意义。因此，在这些点的方向生成过程中，系统不需要复杂的计算，而是直接使用预定义的符号来标记其方向。
直线路段的点：对于位于冠状动脉直线路段上的点，方向生成需要通过计算来确定。
- 位移向量 的计算：
- 最小角度法则确定方向类别:遍历所有可能的球面坐标方向，计算这些方向与位移向量之间的角度，通过计算位移向量 和球面坐标系中不同方向的夹角，找到与 夹角最小的方向，并将该方向的索引作为该点的方向类别。
测试阶段的方向引导追踪：根据预测的半径和方向信息，对初步的分割结果进行细化，以更好地重建冠状动脉的柱状结构。
Ori-Net有三个输出：P、D、G
P:粗分割结果、D:方向预测结果、G：半径预测结果
细化分割结果为粗分割结果P和细化重建的结果的平均：
细化重建的结果的生成：
- 方向引导的迭代追踪：从起点开始，沿着预测的方向和半径逐步找到下一个点，直到达到终点
- 平滑处理：由于半径是离散预测的，这可能导致重建的冠状动脉表面不够光滑，因此，Ori-Net使用高斯核函数来对每个球进行平滑处理，确保最终生成的血管结构光滑、无断裂。
