深度学习方法在显微血管分割中的应用

10722基于活动轮廓模仿神经网络的Shir Gur1，Lior Wolf1，2，Lior Golgher3，4，PabloBlinder3，41特拉维夫大学2Facebook人工智能研究3特拉维夫大学神经生物学、生物化学和生物物理学院4特拉维夫大学萨格尔神经科学学院摘要显微图像中的血管分割然而，根据瞬态成像条件的不同，血管可能看起来有很大的不同，并且收集用于监督训练的数据是费力的。我们提出了一种新的深度学习方法，用于血管的非监督分割该方法的灵感来自于活动轮廓领域，我们引入了一个新的损失项，这是基于形态学活动轮廓无边缘（ACWE）优化方法。形态算子的作用是由新的池层，被纳入网络我们展示了当成像条件发生变化时，实时监督学习解决方案所面临的挑战。我们的无监督方法在标记数据集和应用于相似但不同的数据集时都能够超越以前的方法我们的代码以及基线方法VesselNN和DeepVess的高效pytorch重新实现可在GitHubhttps://github.com/shirgur/UMIS1. 介绍血管的显微成像领域正在迅速发展。例如，几种新兴技术允许在光学清晰[5]和混浊[20，12]的活体大脑中对血管动力学进行快速容积成像这些技术可以带来突破，无论是在理解新皮层中的神经血管相互作用还是在精细的医学诊断方面。然而，这种潜力只能实现自动分割算法能够快速和准确的估计血管动力学从大体积的电影变得可用。在这项工作中，我们提出了一种新的无监督算法的血管分割。需要一个非超级-这种技术的局限性来自于目前可用的训练数据。这些限制包括：（i）数据集的大小，由于所需的专家劳动量，(ii)数据集不代表显微镜、成像样品之间以及沿着相同实验的成像条件中存在的非常高的可变性。(iii)高通量成像模式[5，12，20]需要更快的分割算法，不依赖于人类管理。由于血管和微血管具有明确定义的树形，并且通常比它们的周围环境更亮（由于造影剂），因此可以使用经典（非学习）算法来解决该问题。一种相对成功的方法是无边缘活动轮廓然而，该方法并不准确-速度足以超越基于学习的技术。我们构建了一种受形态学ACWE方法启发的无监督深度学习技术。我们采用的主要损失是由ACWE的能量函数驱动的。此外，我们引入层，实现ACWE采用的形态算子。其结果是一种无监督的方法，优于在该领域中应用的监督方法。作为一种无监督方法，我们的模型不太可能比监督方法过拟合特定的训练数据集。我们能够提供跨数据集应用的证据（在一个数据集上训练，应用于另一个数据集），新方法与文献中的监督深度学习方法相比具有更大的性能差距2. 相关工作微血管分割多光子激光扫描显微镜（MPLSM）允许以亚细胞分辨率对混浊样本（如活体大脑）进行微创研究[7，35，14，32]。 通过控制激光束穿过体积并将收集的光子归因于照明体素[12，20]，可以重建快速体积电影，从而利用光子10723从病灶体积到探测器，通过大脑经历多次散射[14]。血管分割已经在几个领域进行了研究，例如3D CT和MRI [21，8，1]或2D视网膜血管，参见[28，22，9]，仅举几例。更相关的本文，是蔡等人的作品。[31]对于神经元和微血管分割和Milleet al. [26]用于2D和3D分支结构提取。血管分割的神经网络模型比传统方法更快、更准确。用于视网膜血管分割的技术，例如[33，9，23]使用CNN和RNN来执行2D图像的基于监督块的分割。在双光子显微镜的图像域中，Ciceket al.[6] Teikari等人提出 了 一 种 用 于 血 管 分 割 的 3D-Unet 。 [30] 介 绍 了VesselNN，这是一种用于3D分割的2D-3D网络架构。Haft-Javaherian等人[11]最近提出的DeepVess，即目前的SOTA。主动轮廓首先由Kass等人引入。 [16]，主动轮廓或蛇，是由外部约束力引导的能量最小化方法，该外部约束力将蛇或轮廓拉向特征，例如线和边。这些方法通常需要用户指定的初始轮廓开始。这种方法的变体增 加 了 鲁 棒 性 ， 并 将 适 用 性 扩 展 到 新 的 领 域 。Caselles等人提出了一种主动轮廓的几何模型。[2]和Yezziet al. [34]适用于CT和MRI图像。Kichenassamy等人[17]将梯度引入该方法。Caselles等人的测地线活动轮廓（GAC）。[3]根据图像的内在几何度量变形。在基于优化的活动轮廓领域，Chan和Vese [4]的ACWE工作和Marquez-Neila等人的工作。形态学活动轮廓[25]与我们的工作最相关在ACWE中，边界不必由梯度很好地定义，并且能量泛函的最小化可以被视为最小分割问题。在形态学活动轮廓中，曲线随时间的演化由计算效率高的形态学算子计算。我们给一个简短的回顾形态ACWE在SEC。3 .第三章。在基于学习的领域，活动轮廓并没有完全作为一种学习概念，而是作为一种可以图1：9个3D结构元素的图示B.也用作形态池层中的掩码。我们引入了主动轮廓模型和基于学习的模型之间的第一个完全集成，其中我们使用ACWE的图像附件项作为损失，并将形态曲率算子作为一种新型的网络层。总之，我们得到了一个无监督的学习算法进行血管分割。3. 无边活动轮廓在下面的部分中，我们提出了一个简短的回顾形态ACWE方法，因为它激发了我们的学习为基础的方法。关于详细的解释，我们请读者参考[25]。设C：R+×[0，1]→R3是随时间的参数化3D曲线。我们首先描述轮廓演变，偏微分方程（PDE）微分算子L定义了曲线随时间的演化，PDECt=L（C），L可以重写为L（C）=F·N，它是曲线的法线N和标量场F之间的乘积，标量场F决定了曲线上每个点的演化速度我们考虑C的水平集表示，定义为u：R+×R3→R，使得 C （t）={（x， y ， z ）：u（t，（x， y ，z））=0}，以表达曲线的演化，如[27，19]所示厄舒=F·|厄舒|（一）普雷特其中F可以定义为曲线的法线，即，F ∈[10][11][12][13][14][15][16][17][18][19][1F=K，其中K是C的欧氏曲率。3D曲率形态学算子单调的对比度不变和平行度不变的算子被称为形态学算子，如膨胀和旋转。锡永设B是唯一定义一个形态算子的一组结构元素，h是该算子的大小，我们现在定义两个形态算子：通过神经网络进行优化。Rupprecht等人[29日]例如，训练了一个特定于类的CNN，它预测一个从进化的轮廓指向下一个轮廓的SIu（x）= sup infB∈By∈x+hBISu（x）= inf supu（y）（2）u（y）（3）在感兴趣的对象的边界上的est点同样，Marcoset al.[24]使用CNN学习每个实例的活动轮廓模型其他水平集方法，如[15，18]，使用最小化水平集泛函的额外损失，而我们使用Euler-Lagrange方程。7和ACWE算法启发的损失。在所有方法中，都使用了监督学习。B∈By∈x+hB其中B包含以原点为中心的半径为1的所有超圆盘，在我们的三维离散情况下，以3×3×3立方体的原点为中心的九个矩形表面（见图11）。①的人。在他们的研究中，[25]表明K可以由定义为SIIS的曲率形态算子表示。10724n+2设C为参数化曲线演化，I为图像，在[25，4]的工作中定义的要最小化的函数如下：F（c1，c2，C）=μ·长度（C）+v·面积（内部（C））∫4.1. 网络架构该网络的架构如图所示。图2中所示，并且由具有跳过连接的主编码器-解码器分支组成，分别表示为E和Dseg（用于分割），随后是形态池化层的连续操作（等式2）。14-15 ）用于平滑。它被训练成+α||I（x）−c1||Dx（四）无监督的方式，使用辅助重建内墙（C）损耗，由附加解码器D提供rec，这是使用+β外部（C）||Dx||dx仅在训练期间，并且输出估计的输入I'。然后，网络组件重写如下：其中，c1和c2是C内部和外部值的平均值，定义如下：S<$（I）：=Dseg（E（I））（11）c1（C）=∫在右侧（C）I（x）dxdx（五）S（I）：=SI（IS（. . . （SI（IS（I）（12）联系我们SIISµtimesc（C）=内墙（C）或侧边（C）I（x）dx（六）I<$：=Drec（E（I））（13）外（C）dx参数μ和v控制C的长度（或曲率）和面积，如[4]中所定义。泛函F的欧拉-拉格朗日方程（详见[25]）如下：其中S是平滑之前的分割，并且S是在应用等式中的形态池化层SI和IS之后获得的分割掩模。12µ倍（两层定义如下）。我们的编码器架构基于ResNet34 [13]u=|厄舒|普雷特.µdiv.Σ厄舒|∇u|Σ2 2−v−α（I−c 1）+β（I −c2）（七）3D卷积。除了ResNet其中，在[25]的实验中，v被设置为0，并且pa-参数α和β分别设置为1和2。使用沿三个轴x、y和z的中心差来计算Δ u。所得到的ACWE算法如下所示Γ=|厄舒|（α（I-c 1）2-β（I-c 2）2）（8）如果Γ0，则为1ResNet两个解码器Dseg和Drec由三个具有跳过连接的上采样块组成，如附录中所述。形态池层示于图对于2D情况，该层将IS和SI操作实现为可微层，其未被学习，但在反向传播中起作用。这些层采用1u2（x）=如果Γ>0，则为0否则，（九）九个结构元素B，如第二节所解释的3、在哪里每个元素B∈ B是大小为3×3×3的二进制掩码，n+1 （x）=.（SI）µun+1 （十）（10）示于图1.一、这些层首先执行掩码最大池化，然后取最大值或最小值其中，r是图像附加项，如[25]所定义。上标是迭代次数。4. 方法为了实现ACWE原则作为一个网络，我们把迭代能量最小化，发生在方程。9到一个损失，和形态操作方程。10到新的形态层。分割网络接收输入I∈[0，1]1×k×m×n，这是一个3D强度响应输入体积，其中k×m×n是单个强度通道的体积尺寸该网络输出分割图S∈[0，1]1×k×m×n，并进行阈值处理以获得最终结果。为了降低S的模糊性，以及对于阈值的敏感性，我们采用复合损失，其鼓励输出结210725果具有0或1值。在所有结果中，根据所需的操作（SI或分别）。形式上：SI（x）：= max−MaskPool（−x，B）（14）B∈BIS（x）：= minMaskPool（x，B）（15）B∈BMaskPool（x，B）：= max{x<$B}（16）MaskPool函数首先在掩码和输入之间应用逐元素乘法（用表示），然后在所有位置上取最大值图3示出了二维情况。这两种类型的形态池化层然后被用于平滑中间分割S'并根据等式（1）获得最终分割掩模S12，其中两个形态学运算应用μ=3次。107267rec=E p1Drec输出记录C3C2C2C3我C3C2X3SS我输入ResNetD段中间是SI输出隔离区隔离区图2：3D分割网络架构。C2和C3是来自ResNet的中间卷积块，用作Dseg和Drec的跳过输入。Max损失，其针对体积中的每个点p计算.LAC（p）=exp（Γ（p）S（p）） 如果Γ（p）= 0exp（−Γ（p）（1−S（p）如果Γ（p）>0（二十一）图3：在单个窗口上激活2D掩蔽池层的图示。4.2. 训练损失我们使用复合损失：体积损失为LAC=EpLAC（p）。如果指数应用于接近零的值，则损失很大。如果项Γ（p）为负且S（p）接近于零，或者如果Γ（p）为正且S（p）接近于1，则会发生这种情况排序损失Lrank在学习过程中起两个作用。首先，它强制c1表示输入图像中的较高值，分割反射物质。其次，它促使c1和c2之间的差距更大.L=λ1LAC+λ 2L秩+λ 3L紧+λ4Lrec+λ 5LMV+λ 6LME（十七）Lrank=exp（c2−c1）（22）重建损失由于学习是在没有其中λ1，..，λ6是权重。损失函数的各项定义如下。在监督的情况下，我们进一步约束编码器以通过添加L反射损失来保存活动轮廓损失我们的主要损失项，LAC，从ACWE算法，具体地Eq. 8、阻止--L（I<$（p）−I（p））2+（p）（二十三）挖掘Eq.9 .第九条。我们首先重写Eq。8符合我们的网络术语：Γ=S<$1（α（I−c1）2−β（I−c2）2）（18）其中，I<$是正则化（平滑）项。为了避免分割掩码包含整个图像的情况，当训练数据有噪声时，这似乎是一个稳定的解决方案，我们在哪里？是中间分段导数鼓励网络输出一个紧密（或最小）的分段，在x，y和z中，使用中心差分方法计算。我们将c1和c2定义为类似于等式5-6：心理状态：L紧=A（S）= ΣS（p）（24）pc1=ΣpI（p）S（p）ΣpS（p）ΣI（p）（1−S（p））(19)c2=0p1−S（p）11176143796414110727（二十）其中A（S）是分割S的面积。析取损失我们增加了两个额外的损失项，以将分割输出从中间输出中推出来。在[25]之后，我们为所有实验设置α=1和β=2从Eq. 9，当Γ0时，我们需要鼓励分割输出1，反之，如果Γ>0，则输出0。<因此，我们惩罚S中不是这种情况的元素。这是通过以下方式完成的值和0或1。最大方差损失：LMV=exp（Ep[S（p）2]-E[S（p）]2）（25）最大熵损失（Maximum Entropy Loss）：LME=Ep[−S（p）·log（S（p））] （26）107284.3. 训练网络在所有实验中使用相同的设置，超参数固定为以下值：λ1=1，λ2= 10−2，λ3=λ4= 10−3，λ5= 10−3和λ6= 10 − 3。10-6 一个亚当优化器，学习率为0。0001，使用。培训在一台NVIDIA Titan-X 12 G上完成Pascal GPU，训练大约需要20分钟。我们网络的3D输入体积大小为32×128×128，其中32表示z维。在训练时，我们裁剪训练样本以适应网络的输入形状. 在测试时，应用一个滑动窗口，步幅为8×16 ×16。然后在每个3D位置对网络的结果输出进行平均。反射填充在切片之前应用于测试图像，以支持uni-在整个体积上形成采样模式。4.4. 无监督微调无监督方法的优点在于，它可以应用于测试数据而无需看到标签，即，可以自然地应用转换学习并基于测试数据更新网络。这在跨域场景中尤其有用。当我们遵循这个协议时（我们将其显式标记为FT），之前在训练数据上进行预训练的网络继续在测试数据上进行训练在我们所有的转换学习实验中，我们使用相同的学习率进行训练和微调。为了与监督方法进行公平的比较，我们在相同的时间内执行额外的训练，因为它需要使用相对快速的DeepVess方法[11]来评估测试集。5. 实验我们提出了三种类型的实验。首先，我们将我们的方法与有监督的文献神经网络方法（如Haft-Javaherian等人的DeepVess [11]）进行比较。和Teikari等人的VesselNN [30]，以及经典的优化方法，例如上面提出的形态学ACWE方法。这是在监督设置中完成的，其中一个在同一数据集的训练分割上训练并在测试分割上测试。其次，我们在跨数据集评估中测试了每种方法的泛化能力，其中每种方法首先在数据集A的训练集上训练，然后在数据集A的测试集上测试B.最后，我们提出了一个新的4D微血管活体数据集的神经元活动和血管横截面体积电影的定性结果。该数据集的信噪比（SNR）相对较低，并且在每个时间帧上都有稀疏的图像。在我们的实验中，我们使用了两种最先进的监督方法进行血管分割，验证了我们能够获得相同的水平这些基线的结果作为原始的，效率较低的实现方式的对于这两个数据集，我们将我们的算法的结果与之前的两种无监督分割算法-形态学ACWE [25]和VIDA [31]的结果进行比较，以添加无监督基线方法。5.1. 数据集所采用的三个数据集由用于体内（混浊的活脑）和体外（光学透明固定脑切片）成像的双光子显微镜方法产生的微血管图像组成。由于这种过程在噪声、放大率和被监测对象方面的敏感性，数据可以在尺度、分辨率和SNR上变化。这加强了跨域泛化能力在该领域的重要性，并支持我们的跨数据集评估。所有数据集均通过其平均值和标准偏差进行归一化，然后进行范围拉伸，使得最小值为0，最大值为1。DeepVess数据集由一个200×256×256（z×x×y）体内血管图像体积组成，带有专家注释，分为训练和测试。24个额外血管提供的图像没有注释。为了公平的比较，我们在实验中没有使用后者。VesselNN数据集由12个20×256×256的小鼠皮质和肿瘤血管图像体积组成，具有地面实况注释，分为10个训练体积和2个测试体积。4D-NVIV（神经血管活体体积）数据集跟踪活体小鼠大脑整个体积的它包括一个4D电影跨度110×512×108×67527体素。如在以前的工作中所做的那样，我们分割了随时间积分后获得的3D数据。评估指标我们使用以下常见的细分指标来评估我们的结果。平均精度（AP）是从精确率-召回率图中提取的平均精度。F1评分=2·（精度·查全率） / （ 查准率+ 查全率 ）。 灵敏度 =TP/（TP+FN），特异性=TN/（TN+FP），TN和FP分别为真阳 性 率 和 假 阳 性 率 Jaccard 指 数 （ JI ） =TP/（ TP+FP+FN ） 。骰 子 =（ 2·TP ） /（2·TP+FP+FN）。平均交集大于并集（mIoU）是为序列计算的所有JI的平均值阈值在0-1之间。5.2. 结果在选项卡中。图1和图2显示了两个注释数据集的结果，使用常见的分割指标进行评估。可以看出，我们的方法在大多数度量中优于所有方法，其中由于灵敏度和特异性之间的权衡，F1得分和平均精度是信息量更大的度量。10729（一）（b）第（1）款（c）第（1）款（d）其他事项（e）（f）第（1）款（g）（h）（一）（j）DeepVess数据集[11]VesselNN数据集[30]图4：DeepVess数据集（左）和VesselNN数据集（右）的定性分割结果。所有图像都是来自任一数据集的z切片。绿色-专家注释，蓝色-我们的分割，红色- DeepVess分割。（a）输入图像（b）专家注释。（c）-（f）在同一数据集上训练和测试生成的结果，（c）我们的输出，（d）我们的+注释，（e）DeepVess输出，（f）DeepVess +注释。（g）-（j）在相反数据集上执行训练的交叉数据集结果，（g）我们的输出（h）我们的+注释，（i）DeepVess输出，（j）DeepVess +注释。跨数据集评估在这个设置中，每个方法都在数据集A上训练，并在数据集B上评估。从Tab中可以看出。3、我们的方法显著优于监督方法。我们还提供了微调技术的结果，这似乎在从DeepVess到VesselNN数据集转换的情况下贡献最大由于VesselNN更多样化且相对更大，因此未监督的微调在另一个方向上不太有效数据集内和跨数据集实验的定性结果如图所示。4.第 一 章 我 们 的 方 法 和 有 监 督 的 DeepVess 方 法 都 在DeepVess数据的数据集内评估上与地面实况数据有很好的在第二个数据集上，我们的结果对于该协议明显更好。在交叉数据集实验中，支持我们方法的性能差距在两个数据集中都是相当大的。10730算法监督APF1灵敏度特异性纪骰子MiouCicek等人[6]美国C--0.7000.9820.5940.726-VesselNN [30]†C0.8670.7320.8680.9890.7770.7320.765DeepVess [11]C0.8890.8200.9510.9840.8070.8200.828VIDA [31]0.1790.3040.9980.5640.1790.3040.372[25]第二十五话0.4830.6760.7430.9570.5110.6760.722我们0.9090.8290.9920.9860.8110.8290.838表1：在DeepVess数据集上进行训练和测试表示该方法的改进的重新实现算法监督APF1灵敏度特异性纪骰子MiouVesselNN [30]†C0.7860.7390.8980.9340.7050.7390.503DeepVess [11]C0.8040.7570.9010.9860.7130.7570.629VIDA [31]0.5910.5890.4520.9840.4180.5890.624[25]第二十五话0.5050.5280.3670.9980.3640.5050.599我们0.8340.7760.9230.9290.7210.7760.760表2：VesselNN数据集上的训练和测试表示该方法的改进的重新实现算法过渡APF1灵敏度特异性纪骰子MiouVesselNN [30]†0.5280.1880.1100.9910.1080.1880.469DeepVess [11]DeepVess数据集→0.6640.5620.4690.9600.3950.5620.604我们VesselNN数据集0.6840.6620.8330.9150.5010.6620.681我们的-FT0.7520.7150.9010.9400.5630.7150.727VesselNN [30]†0.1640.1750.1420.9480.0960.1750.482DeepVess [11]VesselNN数据集→0.7010.5060.3510.9960.5050.5060.637我们DeepVess数据集0.8950.8030.9880.9170.6710.8030.821我们的-FT0.9020.8080.9790.9700.6780.8080.815表3：A数据的训练和B数据的测试（A→ B）。FT -对A数据进行t秒的无监督微调，其中t是DeepVess执行评估所需的时间。表示该方法的改进的重新实现。4D数据集分割4D-NVIV数据集与以前的数据集不同，由于其高采集速率，其视场更大，SNR更低。在对更大、更多样化的VesselNN数据集进行训练后，我们运行了我们的方法和DeepVess方法。这些数据完全没有注释，评估是由专家完成的，他们检查了输出，并在所有情况下，我们的输出都优于DeepVess获得的输出为了说明这种偏好，专家们在3D堆栈中跟踪了这是对四条血管进行的，在图中用红色、绿色、蓝色和黄色方块标记。五、很明显，我们的方法能够产生更可靠的分割，其中可以跨皮质层观察血管拓扑结构。例如，红色血管是穿通动脉，在皮质表面以下z=100µm处有一个较小的动脉孔分支。在4D数据中分割血管的能力使得在动态大视场成像中对脑血流进行分析成为可能。速度性能从Tab. 1-3 和图5-4，我们的方法优于以前的方法。我们进一步研究了每种方法处理结果所需由于每种方法输出不同的输出形状，因此我们以秒/体素为单位报告计算时间。DeepVess数据集上的F1分数结果用作另一个轴，并显示了数据集内和跨数据集实验。如可见于图7，我们的方法优于以前的工作沿两个轴。消融研究我们通过逐一删除我们方法中使用的不同损失项来检查这些项的重要性。具体而言，以下变体是测试：（i）没有L秩，在这种情况下，可以折叠全零或全一的输出（ii）没有LAC，在这种情况下，优化变为自适应阈值化。（3）在等式中用S′代替S图21示出了形态汇集层的效果。（iv）10731z=50µmz=100µmz=125µmz=150µm1.00.80.60.40.20.0107 105 103 101 101 103秒到体素比率（s/v）图5：4D电影的定性结果。列- 从大脑表面的深度。SNR随成像深度而降低输入，我们的输出，DeepVess输出。彩色盒子-穿透血管的专家标记。(a)(b)（c）第（1）款图6：在方程中用S ′代替S所产生的影响的图示 21.（ a）输入图像。（b）我们方法的输出（c）当不采用形态层时我们的方法的输出仅使用LAC，这是我们引入的新损失项(v)仅使用LAC+L等级，这是两个主要损失。可以在Tab中看到。4、LAC和L秩的作用都很显著。 可以注意到，使用LAC（Eq. 21）作为一个单一的损失已经产生了有利的结果，支持这个新的损失术语。当在方程中用S′代替S时，可以通过性能的下降来观察形态层的重要性。 21. 当然，如图所示。6，这导致剥离输出。我们假设，这种模式出现的一种方式，以增加局部梯度方程。十八岁6. 结论血管显微图像的定量分析虽然任务可以以监督的方式解决，但缺乏精心策划的训练数据以及前图7：计算速率与DeepVess数据集上的F1评分。向量线表示执行跨数据集评估时性能的下降。损失APF1纪骰子MiouLw/oLrank0.1000.1590.0860.1590.459Lw/oLAC0.6170.4370.2800.4370.608当量21W/S0.8310.7070.6180.7070.779LAC0.8660.7980.6650.7980.805LAC+L等级0.8890.8170.6890.8170.821乌尔湖0.9090.8290.7080.8290.838表4：消融研究显示了各种损失的结果实验环境，创造了替代方法的需要形态学ACWE方法是一种相对较新的主动轮廓算法，具有良好的动机和鲁棒性。在我们的工作中，它化身为一种深度学习方法，能够从使用训练集以及我们社区有效使用CNN的经验中受益因此，我们的工作不仅提供了基于新损失和新型层的最先进的解决方案，而且还提供了将经典和强大的计算机视觉技术转化为深度学习方法的案例研究。确认该项目已获得欧洲研究委员会（ERC）在欧盟地平线2020研究和创新计划下的资助第一个作者的贡献是博士学位的一部分在特拉维夫大学进行的论文研究作者感谢David Kain进行小鼠手术，感谢Yulia Mitiagin使用VIDA套件分割上述数据集[31]。DeepVess输入我们F1得分我们DeepVeSSACWE容器NNVIDA10732引用[1] 皮埃尔·布约，他说。A. 放大图片作者：David A.斯坦曼，卡尔·奥洛夫·洛夫布拉德，维托·门德斯·佩雷拉，还有玛丽亚·伊沙贝尔·瓦格斯。3d相位对比mri：颅内小血管血流定量的部分容积磁共振医学，79 1：129-140，2018。2[2] VicentCaselles ， FrancineCatte' ， TomeuColl ， 和Franc.Dibos 。 图 像 处 理 中 活 动 轮 廓 的 几 何 模 型 。Numerische mathematik，66（1）：1-31，1993. 2[3] Vicent Caselles Ron Kimmel和Guillermo Sapiro测地线活动等高线。国际计算机视觉，22（1）：61-79，1997。2[4] Tony F Chan和Luminita A Vese。没有边的活动轮廓IEEE Transactions on Image Processing，10（2）：266-277，2001。二、三[5] Karishma Chhabria ， Karen Plant ， Oliver Bandmann ，RobertN Wilkinson ， Chris Martin ， Elisabeth Kugler ，Paul A Armitage ， Paola LM Santoscoy ， Vincent TCunliffe，Jan Huisken，et al.高血糖对斑马鱼神经血管耦联 和脑 血管 构型 的影 响。 脑血 流代 谢杂 志，第0271678X18810615页，2018年。1[6] O¨zgu¨ nC¨ic¨ek ， AhmedAbdulkadir ， SoerenSLienkamp ，Thomas Brox，and Olaf Ronneberger.3d u-net：从稀疏注释学习密集体积分割。医学图像计算和计算机辅助干预国际会议，第424-432页。施普林格，2016年。二、七[7] 放大图片作者：James H.Strickler和Watt W.韦伯双光子激光扫描荧光显微镜。Science，248 4951：731[8] 放大图片作者：David H.放大图片作者：Marilyn Al-bert，Megan E Dieterich，Christian Haselgrove，Andre'J.W. 作 者 ： Ron J. Killiany ， David Kennedy ， ShunaKlaveness ， Albert Montillo ， Nikos Makris ， BruceRosen，and Anders M. 戴尔全脑分割自动标记人脑中的神经解剖结构。Neu-ron，33：341-355，2002. 2[9] Huazhu Fu，Yanwu Xu，Damon Wing Kee Wong，andJiang Liu.通过深度学习网络和全连接条件随机场进行视网膜血管分割。2016年IEEE第13届国际生物医学成像研讨会，第698-701页，2016年。2[10] 埃里克·吉查德，让·米歇尔·莫雷尔和罗伯特·瑞安。对比度不变图像分析与偏微分方程。预印本，35，2004年。2[11] Mohammad Haft-Javaherian ， Linjing Fang ， VictorineMuse，Chris B Schaffer，Nozomi Nishimura，and MertR Sabuncu.深度卷积神经网络用于分割阿尔茨海默病小鼠模型中血管系统的3d体内多光子图像arXiv预印本arXiv：1801.00880，2018。二五六七[12] Hagai Har-Gil、Lior Golgher、Shai Israel、David Kain、Ori Cheshnovsky 、 Moshe Parnas 和 Pablo Blinder 。Pysight：用于快速连续体积活体显微镜检查的即插即用光子计数Optica，5（9）：1104-1112，2018。1[13] Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习。2016年IEEE计算机视觉和模式识别会议（CVPR），第770-778页，2016年。3[14] 埃里希·E Hoover和Jeff A.斯奎尔多光子显微技术进展。Nature Photonics，7 2：93-101，2013. 一、二[15] 胡平，帅兵，刘军，王刚。 用于显著对象检测的深度水平集。在IEEE计算机视觉和模式识别会议论文集，第2300-2309页，2017年。2[16] 迈克尔·卡斯安德鲁·维特金和德米特里·特佐普洛斯。Snakes：活动轮廓模型。 国际计算机视觉杂志，1（4）：321-331，1988。2[17] Satyanad Kichenassamy ， Arun Kumar ， Peter Olver ，Allen Tannenbaum，and Anthony Yezzi.梯度流和几何活动轮廓模型。在IEEE计算机视觉国际会议，第810IEEE，1995年。2[18] Youngeun Kim，Seunhyeon Kim，Taekyung Kim，andChangick Kim.基于cnn的水平集损失语义分割。2019年IEEE计算机视觉应用冬季会议（WACV），第1752-1760页。IEEE，2019。2[19] 罗恩·基梅尔图像的数值几何形状：理论、租赁和应用。Springer Science Business Media，2003. 2[20] Lingjie Kong ， Jianyong Tang ， Justin P Little ， YangYu ， TimL？ammermann，CharlesPLin，RonaldNGermain，andMeng Cui.通过光学相位锁定超声透镜的连续体积成像。 Nature methods，12（8）：759，2015. 1[21] David Lesage，Elsa D. Angelini，Isabelle Bloch和GarethFunka-Lea。三维血管腔分割技术综述：模型、特征和提取方案。医学图像分析，13 6：819-45，2009。2[22] Pawex0142 Liskowski和Krzysztof Krawiec。用深度神经网络分割视网膜血管IEEE医学成像trans-actions，35：2369-2380，2016。2[23] Kevi s-K okitsiManinis，JordiPont-T uset，PabloAnd re'sAr- bel a' ez，andLucVanGool. 深层视网膜图像理解。在MICCAI，2016. 2[24] Diego Marcos ， Devis Tuia ， Benjamin Kellenberger ，Lisa Zhang，Min Bai，Renjie Liao，and Raquel Urtasun.端到端学习深度结构化活动轮廓。在IEEE计算机视觉和模式识别会议论文集，第8877-8885页，2018年。2[25] 巴勃罗·马奎兹-尼拉路易斯·包梅拉和路易斯·阿尔瓦雷斯。基于曲率的曲线曲面演化的形态学方法。IEEETransactionsonPatternAnalysisandMachineIntelligence，36（1）：2-17，2014。二三四五七[26] Julien Mille和Laurent D.科恩用于2d和3d分支结构提取的可变形树2009年IEEE计算机协会计算机视觉和模式识别研讨会会议，第149-156页，2009年。210733[27] Stanley Osher和James A Sethian。以曲率相关速度传播的锋面：基于Hamilton-Jacobi公式的算法。计算物理学报，79（1）：12-49，1988. 2[28] Elisa Ricci和Renzo Perfetti基于线性算子和支持向量分类的视网膜血管分割。IEEE医学成像学报，26：1357-1365，2007年。2[29] Christian Rupprecht ， Elizabeth Huaroc ， MaximilianBaust，and Nassir Navab.深层活动轮廓。arXiv预印本arXiv：1607.05074，2016年。2[30] Petteri Teikari ， Marc Santos ， Charissa Poon ， andKullervo Hynynen.用于多光子显微镜血管分割的深度学习卷积网络。arXiv预印本arXiv：1606.02382，2016年。二五六七[31] Philbert S.作者：John P.放大图片创作者：David J.作者：Harvey J. Karten，Patrick D.莱登和大卫·柯菲德。直接计数和核与血管共定位揭示小鼠皮层神经元和微血管密度的相关性神经科学杂志：The official journal of theSociety for Neu- roscience ， 29 46 ： 14553-70 ， 2009.二、五、七、八[32] 艾 伦 · 厄 本 ，LiorGolgher ，Cle' mentBrunner ，AmosGdalystan ， Hagai Har-Gil ， David Kain ， GabrielMontaldo，Laura Sironi和Pablo Blinder。在多个尺度上理解神经血管单位：多光子和功能超声成像的优点和局限性。先进的药物递送综述，119：73-100，2017。1[33] Aaron Wu，Ziyue Xu，Mingchen Gao，Mario Buty，andDaniel J.莫卢拉深血管跟踪：通过深度学习的广义2016年IEEE第13届国际生物医学成像研讨会（ISBI），第1363-1367页，2016年。2[34] 作者：Ant