starU‐Net: An enhanced U‐Net architecture with star operation and multi‐view fusion for improved vessel segmentation

摘要　精确的血管分割对于诊断血管疾病和支持发育生物学研究至关重要。然而，现有方法难以保留细小毛细血管及血管结构的拓扑连续性。本研究旨在开发一种新型深度学习架构，专门针对细血管分割以改善其连续性。我们提出starU‐Net，一种用于血管分割的四层编码器‐解码器框架。该框架以问题驱动设计整合了三个组件：(1) 利用“星操作”实现乘性特征交互的增强特征提取模块，(2) 最小化空间退化的浅层网络设计，(3) 使用动态蛇形卷积从多方向捕获连续管状结构的多视角特征融合模块。该模型在三个公开视网膜数据集和一个新构建的鸡胚数据集上进行了训练和评估。与基于CNN、基于Transformer及基础模型的基线方法相比，starU‐Net在三个公开视网膜数据集上均获得了最高的灵敏度、F1值、曲线下面积和中心线Dice，代价是特异性略低。中心线Dice的提升为细血管不连续性的减少提供了定量支持。在血管明显更宽的鸡胚数据集上，所提出的starU‐Net具有竞争力但并非领先。总之，starU‐Net是一种结合基于星操作的特征提取与多视角管状特征建模以改进血管分割的架构。所提出的框架在临床视网膜成像数据集和自构建的鸡胚血管生成数据中均展现出强大性能，可作为临床决策支持、生物医学研究及生物医学应用中大规模血管表型分析的有前景的计算工具。