[論文レビュー] Dynamic Snake Convolution based on Topological Geometric Constraints for Tubular Structure Segmentation

Yaolei Qi, Yuting He+3 more|arXiv (Cornell University)|Jul 17, 2023

Topological and Geometric Data Analysis被引用数 44

ひとこと要約

DSCNetは Dynamic Snake Convolution を導入して slender tubular structures をよりよく捉え、マルチビュー特徴融合戦略と、persistent homology に基づくトポロジーの連続性を改善する損失を用いて、2D/3D の管状構造のセグメンテーションを向上させます。

ABSTRACT

Accurate segmentation of topological tubular structures, such as blood vessels and roads, is crucial in various fields, ensuring accuracy and efficiency in downstream tasks. However, many factors complicate the task, including thin local structures and variable global morphologies. In this work, we note the specificity of tubular structures and use this knowledge to guide our DSCNet to simultaneously enhance perception in three stages: feature extraction, feature fusion, and loss constraint. First, we propose a dynamic snake convolution to accurately capture the features of tubular structures by adaptively focusing on slender and tortuous local structures. Subsequently, we propose a multi-view feature fusion strategy to complement the attention to features from multiple perspectives during feature fusion, ensuring the retention of important information from different global morphologies. Finally, a continuity constraint loss function, based on persistent homology, is proposed to constrain the topological continuity of the segmentation better. Experiments on 2D and 3D datasets show that our DSCNet provides better accuracy and continuity on the tubular structure segmentation task compared with several methods. Our codes will be publicly available.

研究の動機と目的

• 薄い管状構造（例：血管、道路）を 2D および 3D データで正確にセグメンテーションする動機付け。
• 細長く曲折する領域に適応的に焦点を当てる管状認識の畳み込み（DSConv）を開発。
• 異なる全体形状にわたる情報を保持するためのマルチビュー特徴融合戦略を開発。
• Persistent Homology に基づくトポロジー連続性制約損失を導入してセグメンテーションの連続性を強化。

提案手法

• Fractional offset を用いて反復的に畳み込みカーネル位置を選択し、蛇のような管状幾何を追跡する Dynamic Serpentine Convolution（DSConv）。
• DSConv から導出された複数の形態テンプレートを用いたマルチビュー特徴融合により、異なる視点から特徴を捉え、訓練時のランダムドロップ戦略で過学習を抑制。
• Persistent Homology を用いた Bidirectional Hausdorff distance between ground-truth and output persistence diagrams を用いる Topological Continuity Constraint Loss（TCLoss）を導入し、L_TC = L_CE + sum d_H^* によりトポロジーの連続性を強制。

実験結果

リサーチクエスチョン

• RQ1 DSConv は 2D および 3D 医用/リモートセ sensing データで細く曲折する管状構造の知覚を改善できるか。
• RQ2 マルチビュー融合は過度の計算を導入することなく重要な全体形状情報を保持できるか。
• RQ3 Persistent Homology に基づく TCLoss はトポロジー連続性を改善し、セグメンテーションの破断を減らせるか。

主な発見

• DSNet は DRIVE および ROADS データセットで他のベースラインと比較して Dice, RDice, clDice スコアが高い。
• TCLoss を用いた DSNet は冠動脈セグメンテーション（3D Cardiac CCTA）においてトポロジー連続性指標を改善（beta0/beta1 誤差の低減と OF の改善）。
• 畳み込みカーネルの動的適応（DSConv）は管状領域に注意を集中させ、よりはっきりと連結したセグメンテーションを生成。
• DSConv 由来のテンプレートを用いたマルチビュー特徴融合は、異なる全体形状に対応した特徴表現を強化。
• TCLoss はデータセット全体でトポロジー連続性を一貫して高め、難易度の高い領域でのセグメンテーションの破断を減少。