CVPR 2025 | DeformCL：基于可變形中心線的3D血管提取新范式

論文信息

• 標題：DeformCL: Learning Deformable Centerline Representation for Vessel Extraction in 3D Medical Image
• 作者：Ziwei Zhao, Zhixing Zhang, Yuhang Liu, 等
• 單位：醫準智能、北京大學、Pazhou Laboratory
• 會議：CVPR 2025
• 代碼：https://github.com/barry664/DeformCL

---

背景簡介

3D醫學影像中，血管等管狀結構的精確提取對于臨床診斷和治療方案制定至關重要。傳統做法多采用像素級掩碼（mask）分割，但這種離散表示方式容易出現血管斷裂、假陽性噪聲、以及拓撲結構不完整等問題，尤其在管腔細、形態復雜的區域表現不佳。

---

創新點概述

本文提出了一種連續可變形中心線（Deformable Centerline, DeformCL）表示方法，以中心線點和邊的圖結構來建模血管：

• 自然連通性：中心線節點與邊緊密相連，先天避免斷裂，特別適合細長、脆弱的血管段。
• 噪聲魯棒性：全局建模血管形態，有效減少局部噪聲和錯誤分割。
• 高效交互：圖結構便于特征聚合與拓撲分析，提升結構完整性和分割精度。

---

方法框架

1. 自適應中心線模板生成

   • 利用粗分割結果，通過骨架化與最小生成樹等算法，自動生成初始中心線模板。
   • 選取少量控制點，通過插值生成曲線，降低初始模板對模型訓練的影響。

2. 級聯可變形過程

   • 多層Transformer對中心線點特征進行聚合，逐步預測偏移量，精細調整中心線點位置。
   • 采用Unpooling策略不斷加密中心線點，提升擬合精度。

3. 基于中心線的分割

   • 以預測中心線為核心，通過距離變換與卷積融合，實現血管全自動分割。

4. 損失函數設計

   • 局部Chamfer距離、SDF（有符號距離函數）損失、正則項及Dice損失聯合優化，確保中心線準確居中、連貫平滑，并提升最終分割效果。

---

實驗與結果

• 在HaN-Seg、ASOCA、ImageCAS、HNCTA等四個3D醫學血管數據集上，DeformCL在分割精度（Dice、clDice）、拓撲結構完整性（Betti數、Euler特征）、**中心線提取準確率（F1、Hausdorff距離）**等多項指標上均超越主流方法（如UNet、clDice、DSCNet等）。
• 消融實驗表明，自適應模板與本地Chamfer損失等關鍵模塊對性能提升有顯著貢獻。
• 視覺化結果顯示，DeformCL在細小、彎曲、易斷裂的血管區域表現更優，噪聲假陽性顯著減少。

---

臨床價值

• 直接輸出連續中心線，可無縫用于血管直線化重建（SCPR）、血流動力學分析等下游任務，極大簡化臨床流程。
• SCPR實驗對比顯示，DeformCL預測的血管中心線更完整、平滑，能清晰揭示斑塊、狹窄等病變區域，為放射科診斷提供有力支持。
  

---

總結與展望

DeformCL開創性地引入了連續可變形中心線圖結構，突破了傳統離散mask分割的局限，大幅提升了3D醫學血管提取的準確性和臨床實用性。未來有望廣泛應用于腦血管、心血管等多種臨床場景，為精準醫療提供堅實基礎。

---

項目地址：https://github.com/barry664/DeformCL

---

歡迎關注，獲取更多CVPR 2025前沿AI醫學論文解讀！