Topology-Aware Focal Loss for 3D Image Segmentation

要約

タイトル：3D画像セグメンテーションのためのトポロジー感知フォーカル損失

要約：
– 通常、重なり合う領域、接続が途切れた領域、空洞などのトポロジー上のエラーがあると、セグメンテーションアルゴリズムの効果が低下します。
– この問題を解決するために、トポロジー感知フォーカル損失（TAFL）という新しい損失関数を提案します。
– TAFLは、グラウンドトゥルースと予測セグメンテーションマスクの持続図のワッサーシュタイン距離に基づくトポロジー制約項を含む従来のフォーカル損失を統合します。
– トポロジー制約により、トポロジーがグラウンドトゥルースと同一であることが保証され、フォーカル損失によりクラスの不均衡が解決されます。
– この手法は、3D MRIスキャンを統合し、悪性脳腫瘍の正確な特定や追跡を目的とするMICCAI Brain Tumor Segmentation（BraTS）チャレンジ検証データセットを使用して、3D U-Netをトレーニングすることで評価されました。
– そして、トポロジー制約をペナルティ項として追加することにより、セグメンテーション性能の質が向上することが示されました。

要約(オリジナル)

The efficacy of segmentation algorithms is frequently compromised by topological errors like overlapping regions, disrupted connections, and voids. To tackle this problem, we introduce a novel loss function, namely Topology-Aware Focal Loss (TAFL), that incorporates the conventional Focal Loss with a topological constraint term based on the Wasserstein distance between the ground truth and predicted segmentation masks’ persistence diagrams. By enforcing identical topology as the ground truth, the topological constraint can effectively resolve topological errors, while Focal Loss tackles class imbalance. We begin by constructing persistence diagrams from filtered cubical complexes of the ground truth and predicted segmentation masks. We subsequently utilize the Sinkhorn-Knopp algorithm to determine the optimal transport plan between the two persistence diagrams. The resultant transport plan minimizes the cost of transporting mass from one distribution to the other and provides a mapping between the points in the two persistence diagrams. We then compute the Wasserstein distance based on this travel plan to measure the topological dissimilarity between the ground truth and predicted masks. We evaluate our approach by training a 3D U-Net with the MICCAI Brain Tumor Segmentation (BraTS) challenge validation dataset, which requires accurate segmentation of 3D MRI scans that integrate various modalities for the precise identification and tracking of malignant brain tumors. Then, we demonstrate that the quality of segmentation performance is enhanced by regularizing the focal loss through the addition of a topological constraint as a penalty term.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI