Die genaue Segmentierung dreidimensionaler Gefäßstrukturen ist für verschiedene medizinische Bildgebungsanwendungen unerlässlich. Die zerstreute Natur der Gefäßstrukturen führt zu inhärenter räumlicher Unsicherheit und erfordert Standortbewusstsein, dennoch basieren die meisten aktuellen 3D-medizinischen Segmentierungsmodelle auf einer patchweisen Trainingsstrategie, die diesen räumlichen Kontext meist verliert. In dieser Studie stellen wir das Coordinate-aware Modulated Mamba Network (COMMA) vor und tragen mit einem manuell gelabelten Datensatz von 570 Fällen bei, dem bisher größten öffentlich verfügbaren 3D-Zerebrovaskulärdatensatz. COMMA nutzt sowohl vollständige als auch zugeschnittene Patch-Daten über globale und lokale Zweige, gewährleistet somit robustes und effizientes räumliches Standortbewusstsein. Konkret verwendet COMMA einen kanal-komprimierten Mamba (ccMamba)-Block zur effizienten Kodierung von Bildern in voller Auflösung, der Langstreckenabhängigkeiten erfasst und gleichzeitig die Rechenkosten optimiert. Zusätzlich schlagen wir einen koordinatenbewussten modulierten (CaM) Block vor, um die Interaktionen zwischen globalen und lokalen Zweigen zu verstärken, sodass der lokale Zweig räumliche Informationen besser wahrnehmen kann. Wir evaluieren COMMA anhand von sechs Datensätzen, die zwei Bildgebungsmodalitäten und fünf Arten vaskulärer Gewebe abdecken. Die Ergebnisse zeigen die überlegene Leistung von COMMA im Vergleich zu modernen Methoden bei gleichzeitiger rechnerischer Effizienz, insbesondere bei der Segmentierung kleiner Gefäße. Ablationsstudien unterstreichen weiterhin die Bedeutung unserer vorgeschlagenen Module und der räumlichen Information. Der Code wird bei COMMA verfügbar sein.
Shi et al. (Thu,) haben diese Fragestellung untersucht.