[論文レビュー] Learning Probabilistic Topological Representations Using Discrete Morse Theory

Xiaoling Hu, Dimitris Samaras+1 more|arXiv (Cornell University)|Jun 3, 2022

Topological and Geometric Data Analysis被引用数 4

ひとこと要約

本論文は、離散モース理論と恒常ホモロジーを用いて、確率的トポロジカル／構造的表現を学習する最初のディープラーニング手法を提案する。これにより、構造を保存するセグメンテーションと、構造レベルの不確実性推定が可能になる。恒常的閾値を介してモース複体構造の確率的分布をモデル化することで、位相的に有効なセグメンテーションが生成され、不確実性に配慮したサンプリングにより、効率的なインタラクティブな検証が可能になる。

ABSTRACT

Accurate delineation of fine-scale structures is a very important yet challenging problem. Existing methods use topological information as an additional training loss, but are ultimately making pixel-wise predictions. In this paper, we propose the first deep learning based method to learn topological/structural representations. We use discrete Morse theory and persistent homology to construct an one-parameter family of structures as the topological/structural representation space. Furthermore, we learn a probabilistic model that can perform inference tasks in such a topological/structural representation space. Our method generates true structures rather than pixel-maps, leading to better topological integrity in automatic segmentation tasks. It also facilitates semi-automatic interactive annotation/proofreading via the sampling of structures and structure-aware uncertainty.

研究の動機と目的

• 推論時に位相的整合性を保てないピクセル単位のセグメンテーションネットワークの限界を解消すること。
• 細粒度の生体医療画像における不確実な構造的要素を特定できないピクセル単位の不確実性マップの不備を克服すること。
• ピクセルレベルの予測ではなく、構造的表現そのものを直接モデル化するディープラーニングフレームワークを開発すること。
• 構造レベルの不確実性ガイダンスを提供することで、効率的な準自動アノテーションおよび検証を可能にすること。

提案手法

• 離散モース理論を用いて学習された尤度マップからモース複体を構築し、分岐やパッチなどのトポロジカル構造を抽出する。
• 恒常的閾値 ε を用いた一パラメータ族としてのモース複体による構造空間のパrameter化を行う。
• 恒常的閾値 ε におけるガウス分布を学習することで、構造的仮説の確率的分布をモデル化する。
• 学習済みの確率的モデルからのサンプリングにより構造的セグメンテーションを生成し、位相的一致性を保証する。
• 複数の構造的サンプル間の分散を計算することで、構造レベルの不確実性を推定する。
• 位相を保存したまま、サンプリングされたスケルトンを完全なセグメンテーションマップに拡張するための後処理を適用する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いて、ピクセル単位の予測ではなく、直接的にトポロジカル／構造的表現を学習することは可能か？
• RQ2 恒常ホモロジーと離散モース理論をどのようにディープラーニングフレームワークに統合し、構造的ばらつきをモデル化できるか？
• RQ3 構造レベルの不確実性マップは、生体医療画像アノテーションにおけるインタラクティブ検証の効率を向上させることができるか？
• RQ4 構造的表現の上に確率的モデルを学習することで、セグメンテーションにおけるより良い位相的整合性が得られるか？
• RQ5 提案手法は、人間のアノテーターをガイドするにあたり、ピクセル単位の不確実性推定と比較してどのように優れているか？

主な発見

• KLダイバージェンス損失の β = 10 の場合、DRIVEデータセットで VOI スコア 0.804 ± 0.047 を達成し、他の β 値を上回った。
• 構造レベルの不確実性マップは、境界ピクセルを均一にマークするのではなく、全体として高不確実性の分岐を明確に示す。
• 確率的モデルからのサンプリングにより、推論時においても構造的整合性を保った位相的に有効なセグメンテーションが生成される。
• 構造レベルの不確実性ガイダンスによる準自動的検証は、ベースライン手法よりも迅速にセグメンテーション精度を向上させる。
• 高不確実性の分岐を優先することで、誤検出および誤検出の修正に要する人的作業を削減できるため、効率的なインタラクティブアノテーションが可能になる。
• 実験的結果から、本手法は、決定的およびピクセル単位の確率的ベースラインと比較して、検証効率において顕著に優れていることが示された。