准确分割拓扑管状结构，如血管和道路，在各个领域中至关重要，可以确保下游任务的准确性和效率。然而，许多因素使任务复杂化，包括细小的局部结构和可变的全局形态。在这项工作中，我们注意到管状结构的特殊性，并利用这一知识来引导我们的DSCNet，以在三个阶段同时增强感知：特征提取、特征融合和损失约束。首先，我们提出了一种动态蛇卷积，通过自适应地关注细长且弯曲的局部结构，以精确捕捉管状结构的特征。随后，我们提出了一种多视图特征融合策略，在特征融合期间从多个角度补充对特征的关注，确保保留不同全局形态的重要信息。最后，基于持续同调的连续性约束损失函数被提出，以更好地约束分割的拓扑连续性。对2D和3D数据集的实验证明，与几种方法相比，我们的DSCNet在管状结构分割任务上提供了更好的准确性和连续性。我们的代码已公开提供。

论文地址：https://arxiv.org/abs/2307.08388
代码地址：https://github.com/YaoleiQi/DSCNet

---