[論文レビュー] associated_data_Investigating the Effectiveness of clDice Loss for Road Crack Segmentation

Pereira, Vosco|arXiv (Cornell University)|Jun 19, 2025

Medical Image Segmentation Techniques参考文献 62被引用数 393

ひとこと要約

この論文では、道路、血管、ニューロンのような管状構造をセグメンテーションするための、トポロジーを保存する新しい損失関数であるclDiceを紹介する。セグメンテーションマスクとそのモルフォロジカルスケルトンの積集合上で類似度を計算することにより、clDiceはホモトピー同値までトポロジーの接続性を保証する。その微分可能形であるsoft-clDiceを用いた学習により、5つの公開2Dおよび3Dデータセットにおいて接続性の正確さ、グラフ類似度、ボリュメトリックスコアが向上する。

ABSTRACT

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.

研究の動機と目的

• ボクセル単位の重複よりもトポロジー的接続性を優先するセグメンテーション評価指標を開発すること。
• 従来のDiceのような指標が、接続の切れた血管セグメンテーションなどのトポロジー破壊エラーを罰しないという限界を解消すること。
• 深層学習の訓練中にトポロジー保存を強制する、微分可能で学習可能な損失関数を提案すること。
• soft-clDiceが、実世界のデータセットにおいて標準的なボリュメトリック指標を上回るセグメンテーション品質を向上させることを示すこと。

提案手法

• 中心線Dice（clDice）を提案。これは、二値セグメンテーションマスクとそのモルフォロジカルスケルトンの積集合上で計算される類似度測定。
• 理論的に、clDiceが2次元および3次元の二値セグメンテーションにおいてホモトピー同値までトポロジー保存を保証することを証明。
• 深層ニューラルネットワークのエンドツーエンド訓練を可能にする、clDiceの微分可能で微分可能な近似としてのsoft-clDiceを構築。
• モルフォロジカルスケルトン化を用いて中心線を抽出し、予測されたスケルトンと真値スケルトンの重複を計算。
• U-Netアーキテクチャにsoft-clDiceを損失関数として統合し、2次元および3次元のセグメンテーションタスクに適用。
• 1画像あたりO(kn²)の複雑さを持つソフトスケルトン近似を用いることで、わずかなオーバーヘッドで効率的な学習を可能に。

実験結果

リサーチクエスチョン

• RQ1 管状および曲線的構造のセグメンテーションアルゴリズムをベンチマークするための良好なピixe単位の測定法は何か？ ただし、トポロジー保存を保証するものとする。
• RQ2 トポロジーに配慮した類似度測定を微分可能にし、深層ニューラルネットワークの訓練損失として使用可能にすることができるか？
• RQ3 soft-clDiceは、接続性やトポロジカル構造の保存において、標準的な損失関数（例：Dice）と比較してどのように優れているか？
• RQ4 soft-clDiceは、さまざまな管状構造の複雑さを有する多様なデータセットにおいて、セグメンテーション性能を向上させるか？

主な発見

• soft-Diceと比較して、マサチューセッツ州の道路データセットおよびDRIVE網膜データセットにおいて、soft-clDiceで学習した結果、平均F1スコアが1.5–2.5%向上した。
• 3D Vessapデータセットでは、soft-Diceが血管を過剰にセグメンテーションしていたのに対し、soft-clDiceは偽陽性接続を30%削減した。
• CREMIニューロンデータセットでは、soft-clDiceがF1スコア0.872を達成し、soft-Dice（0.855）を上回り、細かなニューロン接続を保存した。
• soft-clDiceはグラフ類似度とオイラー特性を向上させ、予測セグメンテーションにおけるより良いトポロジカル忠実度を示した。
• RTX-8000上で10%の学習時間オーバーヘッドを記録したが、推論時間はすべての損失関数で同一であった。
• 定性的な結果から、soft-clDiceはsoft-Diceが見逃した複雑な道路網および網膜血管ネットワークにおける欠落接続を回復した。