मैक्सिमम इंटेन्सिटी प्रोजेक्शन को लॉस के रूप में उपयोग करके गहरे सीखने पर आधारित विभाजन में वास्कुलर निरंतरता को बढ़ाना

गहरे सीखने के साथ वास्कुलर विभाजन एक चुनौतीपूर्ण कार्य है जो न केवल उच्च-स्तरीय विशेषता प्रतिनिधित्व सीखने में शामिल है, बल्कि आयामों के पार विशेषताओं की स्थानिक निरंतरता भी शामिल है। सेमी-सुपरवाइज्ड पैच-आधारित दृष्टिकोण 1-2 वोक्सल व्यास के छोटे वास्कुलरों की पहचान में प्रभावशाली रहे हैं लेकिन वास्कुलर निरंतरता बनाए रखने में असफल रहे हैं। यह अध्ययन मैक्सिमम इंटेन्सिटी प्रोजेक्शन (MIP) को अतिरिक्त लॉस मानदंड के रूप में उपयोग करके विशेषताओं की स्थानिक सहसंबंध पर विचार करके विभाजन गुणवत्ता को सुधारने पर केंद्रित है। यह देखा गया कि प्रस्तावित विधि विभाजन में मात्रात्मक सुधार करती है और साथ ही वास्कुलर निरंतरता को भी सुधारती है, जैसा कि ROIs के दृश्य परीक्षणों में स्पष्ट है।