Vesselpose: 3D 혈관 이미지에서 학습된 볼록체 지향 벡터 기반 혈관 그래프 재구성

혈관 분할 (segmentation) 및 -추적 (tracing) 은 많은 의료 영상 응용 프로그램에 필수적인 과제입니다. 수많은 방법들이 존재하지만, 지배적인 '분할 후 수정' (segment-then-fix) 패러다임은 완전하고 위상학적으로 정확한 혈관 네트워크 재구성 과제를 모델링하는 데 근본적으로 한계가 있습니다. 여기서는 세포 분할 및 -추적과 관련된 성공적인 의학적 생물학적 과제들의 아이디어를 바탕으로, 3D 이미지 데이터에서 위상학적으로 더 정확한 혈관 그래프를 추출하는 접근법을 제안합니다. 우리의 접근법은 먼저 표준 혈관 분할 마스크와 함께 볼록체 지향 벡터 (voxel-wise direction vectors) 를 예측합니다. 둘째로, 이러한 예측으로부터 혈관 그래프를 추출하기 위해 방향 벡터 안내 TEASAR 알고리즘의 확장 (direction-vector-guided extension of the TEASAR algorithm) 을 도입했습니다. 우리의 접근법은 합성 및 실제 이미지 양쪽을 아우르는 세 개의 벤치마크 데이터셋에서 최상위 성능 (state-of-the-art performance) 을 달성합니다. 우리는 또한 쥐 심장 혈관 구조의 도전적인 3D 마이크로-CT 스캔에 대한 우리의 접근법의 적용 가능성을 입증합니다. 마지막으로, 그래프를 위한 위상학 오류의 의미 있고 해석 가능한 측정치를 제안했습니다: 분할 오류 (false splits) 및 병합 오류 (false merges). 전체적으로, 우리의 접근법은 재구성된 혈관 그래프의 위상학적 정확도를 크게 개선하며, 서로 밀접하게 접이된 혈관 단계를 분리하고 단일 볼륨 내의 여러 혈관 나무를 처리할 수 있습니다.