【论文笔记】气道树分割：A 3D UNet-Graph Neural Network for Airway Segmentation

最新推荐文章于 2026-02-25 00:50:54 发布

原创

最新推荐文章于 2026-02-25 00:50:54 发布 · 3.7k 阅读

收录于

当前文章被以下社区和专栏收录：

本文介绍一种结合3DU-Net与图神经网络(GNN)的肺气道树分割方法。该方法在保持较高Dice系数的同时，提高了气道树中心线的完整性。实验结果显示，在测试集上该方法的Dice系数可达0.88左右。

文章目录

1 综述
2 结论

1 综述

基于肺部CT影像的气道树的分割通常难度较大，易出现支气管末端难分割、泄漏等问题，常用的传统图像方法有区域增长、各种改进型区域增长、各种改进型水平集和基于肺部血管走向的区域增长等，论文《Extraction of Airways from CT (EXACT’09)》中总结了15种基于传统图像算法的气道树提取算法并对其进行了定量评价。

随着神经网络的发展，出现了基于卷积神经网络来进行气道树分割的方法，目前大部分是基于分割网络来实现气道树的提取，以及在后处理中来解决泄漏问题。

今天分享一篇2019年的论文《A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs》, 该论文提出 3D U-Net 结合 Graph Neural Network（GNN）模块来实现 end-to-end 肺部气道树分割，该方法相比单一3D U-Net，对气道树中心线的假阴性有一定小改善，虽然精度没有跨越性的提升，但对于分割出更完整的肺气道树，提供了一个尝试性的方向。

传统肺气道树分割方法：
Extraction of Airways from CT (EXACT’09)

论文对应的肺部CT数据集：
肺部CT数据集

本篇论文连接：
A joint 3D UNet-Graph Neural Network-based method for Airway Segmentat

标签