Disconnect to Connect: A Data Augmentation Method for Improving Topology Accuracy in Image Segmentation

要約

薄い管状構造（血管など）の正確なセグメンテーションは、深いニューラルネットワークにとって困難です。
これらのネットワークは個々のピクセルを分類し、わずかな誤分類でさえこれらの構造内の薄い接続を破壊する可能性があります。
トポロジー損失関数などのトポロジの精度を改善するための既存の方法は、取得が困難な非常に正確でトポロジ式のトレーニングラベルに依存しています。
これは、画像、特に3D画像への注釈に非常に面倒で時間がかかるためです。
画像解像度が低く、コントラストは、管状構造が切断されているように見えることにより、注釈をさらに複雑にします。
Coletraを提示します。これは、壊れた構造が実際に接続されているという事前知識をモデルに統合するデータ増強戦略です。
これは、元のラベルを維持しながら、切断された構造の外観を持つ画像を作成することによって達成されます。
さまざまなアーキテクチャ、損失関数、およびデータセットを含む当社の広範な実験は、Coletraがセグメンテーションがトポロジカルでより正確であることを示している一方で、サイコロ係数とHausdorff距離を改善することが多いことを示しています。
Coletraのハイパーパラメーターは直感的に調整し、私たちの感度分析は、Coletraがこれらのハイパーパラメーターの変化に対して堅牢であることを示しています。
また、トポロジーの精度に焦点を当てた画像セグメンテーション方法に特に適したデータセットをリリースします。
Coletraのコードはhttps://github.com/jmlipman/coletraにあります。

要約(オリジナル)

Accurate segmentation of thin, tubular structures (e.g., blood vessels) is challenging for deep neural networks. These networks classify individual pixels, and even minor misclassifications can break the thin connections within these structures. Existing methods for improving topology accuracy, such as topology loss functions, rely on very precise, topologically-accurate training labels, which are difficult to obtain. This is because annotating images, especially 3D images, is extremely laborious and time-consuming. Low image resolution and contrast further complicates the annotation by causing tubular structures to appear disconnected. We present CoLeTra, a data augmentation strategy that integrates to the models the prior knowledge that structures that appear broken are actually connected. This is achieved by creating images with the appearance of disconnected structures while maintaining the original labels. Our extensive experiments, involving different architectures, loss functions, and datasets, demonstrate that CoLeTra leads to segmentations topologically more accurate while often improving the Dice coefficient and Hausdorff distance. CoLeTra’s hyper-parameters are intuitive to tune, and our sensitivity analysis shows that CoLeTra is robust to changes in these hyper-parameters. We also release a dataset specifically suited for image segmentation methods with a focus on topology accuracy. CoLetra’s code can be found at https://github.com/jmlipman/CoLeTra.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google