Tiefe Gefäßsegmentierung durch das Lernen grafischer Zusammenhänge

Wir schlagen ein neues tiefenlernenbasiertes System für die Gefäßsegmentierung vor. Bestehende Methoden, die auf CNNs basieren, haben sich in der Regel auf lokale Erscheinungen gestützt, die auf einem regulären Bildgitter gelernt wurden, ohne dabei die grafische Struktur der Gefäßform zu berücksichtigen. Um dieses Problem zu lösen, integrieren wir ein Graph Convolutional Network (GCN) in eine einheitliche CNN-Architektur, wobei die endgültige Segmentierung durch Kombination verschiedener Merkmale abgeleitet wird. Das vorgeschlagene Verfahren kann verwendet werden, um jedes CNN-basierte Gefäßsegmentierungsverfahren zu erweitern und dessen Leistungsfähigkeit zu verbessern. Experimente zeigen, dass das vorgeschlagene Verfahren zwei retinale Bilddatensätze sowie einen Datensatz von Koronarangiographien besser als die aktuellen Stand-of-the-Art-Methoden abschneidet.