FlowVM-Net：利用时间信息融合技术提升X射线冠状动脉造影中的血管分割效果

《Journal of Imaging Informatics in Medicine》：FlowVM-Net: Enhanced Vessel Segmentation in X-Ray Coronary Angiography Using Temporal Information Fusion

X射线冠状动脉造影图像序列中血管分割方法提出FlowVM-Net动态信息增强架构，通过光流生成模块和VMamba波let卷积模块整合时空特征，结合注意力融合模块和复合损失函数提升分割精度，测试集DSC达85.17%。

　　

摘要

在X射线冠状动脉造影（XCA）图像序列中对连续血管进行精确分割对于改善冠状动脉疾病的诊断和治疗至关重要。然而，XCA图像中的运动伪影和阴影现象严重影响了血管分割的准确性。为了解决这些挑战，我们提出了FlowVM-Net，这是一种基于动态信息增强的编码器-解码器架构。该模型包含一个光流生成模块，用于在图像序列之间创建时间信息。此外，我们引入了基于VMamba的小波膨胀卷积视觉状态空间模型模块作为编码器-解码器结构的基本组成部分。设计了一个基于注意力机制的光流特征融合模块，以有效整合序列空间特征和时间信息。进一步地，我们采用了一种复合损失函数（包括边界差异损失和并集损失），以提高血管边缘和细小血管分割的准确性。我们在包含542个样本的数据集上评估了FlowVM-Net，在测试集上取得了85.17%的dice得分（DSC）、85.15%的灵敏度和90.49的质量分数。该网络能够有效保持血管的连续性，准确分割细小血管，并展示了利用XCA序列中的动态上下文来提升冠状动脉分割效果的潜力。该项目的代码可在以下链接获取：https://github.com/wgyhhhh/FlowVM-Net。