CVPR 2025 | DeformCL：基于可变形中心线的3D血管提取新范式
论文信息
- 标题：DeformCL: Learning Deformable Centerline Representation for Vessel Extraction in 3D Medical Image
- 作者：Ziwei Zhao, Zhixing Zhang, Yuhang Liu, 等
- 单位：医准智能、北京大学、Pazhou Laboratory
- 会议：CVPR 2025
- 代码：https://github.com/barry664/DeformCL
背景简介
3D医学影像中，血管等管状结构的精确提取对于临床诊断和治疗方案制定至关重要。传统做法多采用像素级掩码（mask）分割，但这种离散表示方式容易出现血管断裂、假阳性噪声、以及拓扑结构不完整等问题，尤其在管腔细、形态复杂的区域表现不佳。
创新点概述
本文提出了一种连续可变形中心线（Deformable Centerline, DeformCL）表示方法，以中心线点和边的图结构来建模血管：
- 自然连通性：中心线节点与边紧密相连，先天避免断裂，特别适合细长、脆弱的血管段。
- 噪声鲁棒性：全局建模血管形态，有效减少局部噪声和错误分割。
- 高效交互：图结构便于特征聚合与拓扑分析，提升结构完整性和分割精度。
方法框架
自适应中心线模板生成
- 利用粗分割结果，通过骨架化与最小生成树等算法，自动生成初始中心线模板。
- 选取少量控制点，通过插值生成曲线，降低初始模板对模型训练的影响。
级联可变形过程
- 多层Transformer对中心线点特征进行聚合，逐步预测偏移量，精细调整中心线点位置。
- 采用Unpooling策略不断加密中心线点，提升拟合精度。
基于中心线的分割
- 以预测中心线为核心，通过距离变换与卷积融合，实现血管全自动分割。
损失函数设计
- 局部Chamfer距离、SDF（有符号距离函数）损失、正则项及Dice损失联合优化，确保中心线准确居中、连贯平滑，并提升最终分割效果。
实验与结果
- 在HaN-Seg、ASOCA、ImageCAS、HNCTA等四个3D医学血管数据集上，DeformCL在分割精度（Dice、clDice）、拓扑结构完整性（Betti数、Euler特征）、**中心线提取准确率（F1、Hausdorff距离）**等多项指标上均超越主流方法（如UNet、clDice、DSCNet等）。
- 消融实验表明，自适应模板与本地Chamfer损失等关键模块对性能提升有显著贡献。
- 视觉化结果显示，DeformCL在细小、弯曲、易断裂的血管区域表现更优，噪声假阳性显著减少。
临床价值
- 直接输出连续中心线，可无缝用于血管直线化重建（SCPR）、血流动力学分析等下游任务，极大简化临床流程。
- SCPR实验对比显示，DeformCL预测的血管中心线更完整、平滑，能清晰揭示斑块、狭窄等病变区域，为放射科诊断提供有力支持。
总结与展望
DeformCL开创性地引入了连续可变形中心线图结构，突破了传统离散mask分割的局限，大幅提升了3D医学血管提取的准确性和临床实用性。未来有望广泛应用于脑血管、心血管等多种临床场景，为精准医疗提供坚实基础。
项目地址：https://github.com/barry664/DeformCL
欢迎关注，获取更多CVPR 2025前沿AI医学论文解读！