主要观点总结
本研究提出了一种名为ViG3D-UNet的三维视觉图神经网络框架，用于精确、连续地分割冠状动脉。该框架集成了3D图表示和聚合，旨在提高血管分割的连通性和准确性。通过引入三维视觉图神经网络模块ViG3D，该框架能够捕获和聚合体积图像特征，并通过纸夹形状的偏移解码器减少计算冗余。在ASOCA和ImageCAS数据集上的实验结果表明，ViG3D-UNet在保持血管分割连续性的同时，实现了高分割精度，超越了现有方法。
关键观点总结
关键观点1: 三维视觉图神经网络框架ViG3D-UNet的提出
本研究引入了一种名为ViG3D-UNet的3D视觉图神经网络框架，用于冠状动脉的连续分割。该框架集成了3D图表示和聚合，以促进连续的血管分割。
关键观点2: ViG3D模块与3D卷积模块的集成
ViG3D模块用于捕获体积血管的连接性和拓扑结构，而3D卷积模块提取精细的血管细节。这两个分支通过通道注意力机制结合，形成编码器特征。
关键观点3: 纸夹形状的偏移解码器的设计
偏移解码器在Sparse特征空间中减少冗余计算，并将特征图大小恢复到匹配原始输入维度，以增强血管分割结果的时空连接性。
关键观点4: 在两个公开数据集上的评估结果
在ASOCA和ImageCAS数据集上的评估结果表明，ViG3D-UNet在保持血管分割连续性的同时，实现了高分割精度，超越了现有方法。
关键观点5: ViG3D-UNet的优势和局限性
ViG3D-UNet在冠状动脉分割中展现出更高的准确性和连通性，优于现有方法。然而，该方法仍存在一些局限性，如在大规模数据集上预训练backbone网络以进一步提高精度，以及结合结构知识以增强拓扑特征提取的效率。
文章预览
精确的血管分割对于冠状动脉可视化和冠心病诊断至关重要。该任务涉及从体积空间中提取Sparse的树状血管分支。然而，现有方法由于血管分割不连续和端点缺失而面临重大挑战。 为解决这一问题，作者引入了一种名为ViG3D-UNet的3D视觉图神经网络框架。该方法在U形架构中集成了3D图表示和聚合，以促进连续的血管分割。ViG3D模块捕获体积血管的连接性和拓扑结构，而卷积模块提取精细的血管细节。 这两个分支通过通道注意力机制结合，形成编码器特征。随后，一个纸夹形状的偏移解码器在Sparse特征空间中减少冗余计算，并将特征图大小恢复到匹配原始输入维度。 为了评估所提出方法在连续血管分割方面的有效性，作者在两个公开数据集AsOCA和ImageCAS上进行了评估。 分割结果表明，ViG3D-UNet在保持血管分割连续性的同时，实现了高分割精度，超越了
………………………………
