结合状态空间建模的频空协同注意力网络用于小目标检测

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Frequency-spatial synergistic attention network with state-space modeling for small-target detection

　　

- FSSA-Net融合了频空协同增强与状态空间建模技术，用于在DSA影像中实现稳健的导丝尖端定位。
- FSSE恢复弱导丝响应，而MRSP在多分辨率编码过程中保留精细结构细节。
- GSA将监督密度引导与位置感知稀疏注意力相结合，以减少误检。
- TSSM建模轨迹有序解码器查询之间的依赖关系，以改善预测一致性。
- FSSA-Net实现了48.5%的AP和44.0%的AP75，比现有最先进的检测器高出15.4%。

**引言**

介入危重症医学已成为现代危重症医学中一个充满前景的发展方向。借助数字减影血管造影（DSA）提供的实时血管可视化，危重症医师能够在整合快速影像评估与危重患者紧急治疗的协调临床工作流中，执行精确的微创手术。在这一更广泛的临床背景下，对手术精度、降低术者辐射暴露以及复杂血管介入操作更可及性的日益增长的需求，加速了机器人辅助血管内手术的发展[1], [2]。在这一场景中，DSA作为机器人导航的主要视觉反馈来源，能够在复杂血管解剖结构中实现导丝的自主或半自主操控。因此，精确的导丝尖端定位对于闭环控制、碰撞规避和触觉力估计至关重要[3]。即使是微小的定位误差也可能导致严重并发症，包括血管壁穿孔、动脉夹层或错误分支选择[4]。因此，精确、稳健且及时的视觉感知是安全机器人辅助血管内导航的重要前提。

然而，DSA序列中的导丝尖端定位与通用目标检测存在显著差异。其难点不仅仅在于目标尺寸小，还在于多种退化因素共同作用，产生了一个高度模糊的成像环境。低剂量采集降低了光子通量并导致低信噪比，使得亚毫米级导丝结构难以与随机背景波动区分开来[4]。此处"亚毫米"指导丝的物理直径尺度，而非图像空间中的定位误差。同时，呼吸、心脏搏动和平台位移引起的帧间患者运动产生了具有直线或曲线性外观的减影伪影，与真实器械边界相似，导致频繁的误响应[5]。钙化、金属夹和重叠的血管投影进一步增加了模糊性，因为它们与导丝结构具有相似的强度和尺度特征。此外，严重的前后景不平衡和帧间外观变化削弱了标准空间特征层级的表示能力[6]。因此，真实的导丝响应与结构化干扰在空间特征表示中深度纠缠，限制了纯空间检测架构的稳健性。

一个关键观察是，图像层面的弱目标可见性仅仅是更广泛的证据退化过程的第一阶段。在DSA检测流程中，导丝尖端证据最初被低信噪比和结构化减影伪影所掩盖。即使从输入中提取了可恢复的证据，它也可能在多分辨率编码过程中被衰减，被背景主导的特征交互所稀释，并在竞争的解码器查询中分散。因此，可靠定位不仅需要增强单一阶段的弱响应，还需要从输入表示到最终预测持续保留并逐步巩固目标证据。频域信息为恢复弱目标证据提供了一个有用的起点。现有的导丝定位方法主要依赖空间特征提取、多尺度聚合或基于注意力的细化，隐含假设仅空间表示就足够了。在伪影较多的DSA图像中，这一假设是脆弱的，因为导丝结构、运动伪影和血管边缘可能表现出相似的空间形态。尽管它们的频率响应在很大程度上重叠，但它们在相对频谱能量分布方面存在差异，如图2进一步所示。具体而言，导丝区域表现出相对更强的中频贡献，运动伪影保留了更强的高频成分，而血管边缘响应则更集中在低频段。这些差异并不意味着导丝和干扰结构可以通过预定义的频段来分离，而是表明自适应频域建模可以为空间结构提供互补的证据。然而，仅输入层面的频空增强并不能防止恢复的证据在后续编码、特征交互和查询解码过程中被衰减或稀释。现有方法通常孤立地改进这些阶段中的某一个，缺乏在完整检测过程中维持弱目标证据的集成机制。

为解决在网络传播过程中持续保留并有效巩固弱目标证据的困难，我们提出了频空协同注意力网络（FSSA-Net）。所提出的框架在检测流程中逐步恢复、保留、聚焦和整合目标证据。具体而言，频空协同增强（FSSE）模块首先应用双向频空调制，从低信噪比输入和结构化减影伪影中恢复弱目标证据。该过程为后续特征编码提供了更具判别性的表示。所得特征随后被传入多分辨率结构保持骨干网络（MRSP），该网络在多分辨率编码过程中保留其细粒度目标信息，防止恢复的证据在深度特征传播中进一步衰减。基于MRSP保留的表示，几何引导稀疏注意力（GSA）利用监督密度图选择导丝相关窗口。区域和全局位置编码，随后结合轴置换聚焦线性注意力，建模所选窗口内部和跨窗口的空间关系，并抑制空间不一致的背景响应。随后将保留的证据聚焦到更可能包含导丝的区域。最后，当聚焦的空间证据进入解码阶段时，轨迹感知状态空间模块（TSSM）建模轨迹有序查询之间的依赖关系。该过程整合相互支持的预测信息并抑制孤立响应。通过这种方式，弱目标证据从输入表示到查询预测被逐步加强，最终产生更一致的导丝尖端定位。

本工作的主要贡献总结如下：
- 我们提出了FSSA-Net，一个统一的导丝尖端检测框架，从退化的DSA输入逐步恢复、保留、聚焦并整合弱目标证据直至解码器预测。
- 我们设计了FSSE，通过双向频空调制从低信噪比DSA输入中恢复弱目标证据，并抑制结构化减影伪影。
- 我们提出了MRSP，一个多分辨率结构保持骨干网络，在保留细粒度导丝尖端信息的同时整合更广泛的上下文信息，从而在深度特征传播中保留恢复的目标证据。
- 我们开发了GSA，利用监督密度预测选择导丝相关区域，并结合区域与全局位置编码及轴置换聚焦线性注意力来建模保留特征之间的空间关系。
- 我们提出了TSSM，建模轨迹有序查询之间的依赖关系，以整合聚焦证据、抑制孤立响应，并在运动和对比度变化下改善预测一致性。
- 在临床DSA序列和独立仿真基准上的大量实验表明，FSSA-Net在低对比度和高伪影成像条件下实现了48.5%的AP和44.0%的AP75，优于现有的最先进检测器。

**章节摘要**

**数字减影血管造影图像分析**

数字减影血管造影（DSA）于20世纪80年代初引入临床实践，至今仍是介入手术过程中实时可视化血管结构的基本成像方式。通过从造影后帧中减去造影前掩膜，DSA有效抑制了静态解剖背景并增强了血管可见性。然而，这一减影过程也引入了结构化的成像伪影，从根本上将DSA分析与……

**方法**

我们提出了频空协同注意力网络（FSSA-Net），一个用于在噪声和低对比度DSA序列中实现稳健导丝尖端定位的统一框架。其核心设计目标是在整个检测流程中保留并逐步巩固弱目标证据。如图1所示，FSSA-Net包含四个连续的处理阶段。具体而言，频空协同增强（FSSE）模块首先结合频域和……

**数据集**

本研究使用了两个数据集：Jiang等人[27]描述的临床心血管介入影像数据集和一个基于仿真的数据集[28]。临床数据集包含20个介入序列中的4500帧DSA图像（800×800像素）。由于发布的数据集未提供患者标识符，无法验证唯一患者数量和患者层面的独立性。仿真数据集包含594幅图像（640×640像素），在受控成像条件下采集……

**结论**

本研究提出了频空协同注意力网络（FSSA-Net），一个用于挑战性DSA图像中导丝尖端定位的统一框架。其核心设计目标是在整个检测流程中保留并逐步巩固弱目标证据。具体而言，FSSE首先从低信噪比输入和结构化减影伪影中恢复弱目标证据。MRSP随后在多分辨率编码过程中保留恢复的细粒度信息……

**资助**

本研究未获得公共、商业或非营利部门资助机构的任何特定拨款。

**作者贡献声明**

宋启峰：撰写——审阅与编辑，撰写——初稿，监督，资源，概念构思。崔乾：可视化，项目管理，概念构思。储晨曦：软件，调查，形式分析，数据管理。赵丽：软件，方法论，形式分析，数据管理。

**利益冲突声明**

作者声明没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

宋启峰 | 崔乾 | 储晨曦 | 赵丽