clDice — A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation

要約

血管、ニューロン、道路などの管状のネットワークのような構造の正確なセグメンテーションは、多くの研究分野に関連しています。
このような構造の場合、トポロジーが最も重要な特性です。
特に接続性の維持：血管ネットワークの場合、接続された血管が欠落すると、血流のダイナミクスが完全に変化します。
セグメンテーションマスクとその（形態学的）スケルタの交点で計算されるcenterlineDice（短いclDice）と呼ばれる新しい類似性測度を紹介します。
理論的には、clDiceがバイナリ2Dおよび3Dセグメンテーションのホモ​​トピー同値までのトポロジ保存を保証することを証明します。
これを拡張して、任意のニューラルセグメンテーションネットワークをトレーニングするための計算効率の高い微分可能損失関数（soft-clDice）を提案します。
血管、道路、ニューロン（2Dおよび3D）を含む5つの公開データセットでsoft-clDice損失のベンチマークを行います。
soft-clDiceのトレーニングは、より正確な接続情報、より高いグラフの類似性、およびより優れたボリュームスコアによるセグメンテーションにつながります。

要約(オリジナル)

Accurate segmentation of tubular, network-like structures, such as vessels, neurons, or roads, is relevant to many fields of research. For such structures, the topology is their most important characteristic; particularly preserving connectedness: in the case of vascular networks, missing a connected vessel entirely alters the blood-flow dynamics. We introduce a novel similarity measure termed centerlineDice (short clDice), which is calculated on the intersection of the segmentation masks and their (morphological) skeleta. We theoretically prove that clDice guarantees topology preservation up to homotopy equivalence for binary 2D and 3D segmentation. Extending this, we propose a computationally efficient, differentiable loss function (soft-clDice) for training arbitrary neural segmentation networks. We benchmark the soft-clDice loss on five public datasets, including vessels, roads and neurons (2D and 3D). Training on soft-clDice leads to segmentation with more accurate connectivity information, higher graph similarity, and better volumetric scores.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google