clDice：A Novel Topology Preserving Loss Function for Tubular Structure Segmentation
论文地址¶
https://arxiv.org/abs/2003.07311
代码¶
https://github.com/jocpae/clDice
摘要¶
Cite
管状、网络状结构（如血管、神经元或道路）的精确分割与许多研究领域相关。对于这种结构，拓扑结构是其最重要的特征；特别是保持连通性：在血管网络的情况下， 错过连通的血管会完全改变血流动力学。我们引入了一种称为中心线Dice（short clDice）的新的相似性度量，该度量是基于分割掩模及其（形态）骨架的截面来计算的。 我们从理论上证明了二元2D和3D分割的clDice-guaran-tees拓扑保持到同伦等价。扩展这一点，我们提出了一种用于训练任意神经分段网络的计算效率高、 可微损失函数（soft clDice）。我们在五个公共数据集（包括血管、道路和神经元（2D和3D））上对软clDice损失进行了基准测试。在软分类上的训练可以实现更准确的连接信息、 更高的图形相似度和更好的体积分数的分割。
针对管状结构的分割损失函数
介绍¶
对于一些情景，比如医学图像中的血管分割，可以FP稍微多一些，因为这不会影响临床判断，但是FN多不能容忍，这可能错误的导致被病理学解释为中风，因此在这种场景下
是比较关注分割的连通性和较为复杂区域的分割效果。论文中是很多的证明和理论，来说明clDice的正确性。
值得关注的是实验结果，实验的数据集包括道路分割、视网膜分割等，相比于Dice几乎都提升了3~6个点
总结¶
Cite
我们引入了clDice，这是一种用于管状结构分割的新的拓扑保持相似性度量。重要的是，我们提出了一个理论保证，即clDice强制拓扑保持直到同伦等价。 接下来，我们在损失函数中使用clDice的可微版本软clDice来训练最先进的2D和3D神经网络。我们使用clDice从拓扑保持角度以及多个体积、 拓扑和基于图的度量来衡量分割质量。我们发现，在软分类上的训练导致了具有更准确的连通性信息、更好的图相似性、更好的Euler特征以及改进的Dice和准确性的分割。 我们的软clDice计算效率高，可以轻松部署到任何其他基于深度学习的分割任务中，例如生物医学成像中的神经元分割、工业质量控制中的裂纹检测或遥感
给出了比较适合的应用场景，生物医学成像中的神经元分割、工业质量控制中的裂纹检测