DSSNet：面向冠状动脉造影图像分割的双流协同网络——融合全局拓扑与边缘增强的创新方法

本文提出DSSNet（Dual-Stream Synergistic Network），通过全局语义流（Multi-Scale Feature Extraction, MSFE）与边缘增强流（Bio-Spectral Encoder Module, BSEM）的协同机制，结合自适应边缘-全局融合模块（AEGF），有效解决了冠状动脉造影（CAG）图像中因噪声、低对比度和结构模糊导致的血管分割断裂问题，在保持拓扑连续性和边界细节方面表现显著。

　　

Highlight

本文提出了一种创新的双流协同网络（DSSNet），用于冠状动脉造影图像分割，整合全局上下文表征与细节边缘信息，以应对血管边界模糊和结构断裂的挑战。

Overall architecture

如图2所示，DSSNet包含一个全局分割分支和一个边缘感知增强分支，二者通过独立编码与渐进优化协同处理全局语义与边缘细节信息。全局分割分支由多尺度特征提取模块（MSFE）构成，捕捉多分辨率层级的语义特征，并通过逐层特征融合强化上下文表征。与此同时，边缘感知增强分支借助生物启发的生物频谱编码模块（BSEM），在频域中增强与血管边缘相关的频率成分，有效抑制噪声并澄清模糊边界。

Dataset

为评估本方法在不同血管分割任务中的有效性，本研究采用两个冠状动脉分割数据集：一个专有数据集和一个公开数据集。

（1）专有数据集：图像采集自58例临床X射线冠状动脉造影（CAG）序列，涵盖左、右冠状动脉，由哈尔滨医科大学附属第二医院心内科提供。经严格筛选……

Experimental details

本研究提出的模型基于PyTorch框架实现，实验配置见表1。

Comparison with other methods

为全面评估所提出网络的性能，本研究在两个不同任务设计的数据集上开展对比实验：一个包含完整冠状动脉血管系统，另一个仅聚焦于主干血管。此外，复现了11个代表性分割网络，以充分证明本方法在CAG血管分割中的有效性。

Conclusion

本文提出的双流协同网络（DSSNet）在冠状动脉造影图像分割中整合了拓扑感知与边缘增强机制，在专有与公开数据集上均表现出优异性能，在F1分数与结构一致性方面取得显著提升。结果验证了该模型在保留细微血管边缘、维持血管连续性，尤其是在低对比度和噪声区域的鲁棒性。