[論文レビュー] Topological Similarity Index and Loss Function for Blood Vessel Segmentation

Ricardo J. Araújo, Jaime S. Cardoso+1 more|arXiv (Cornell University)|Jul 30, 2021

Retinal Imaging and Analysis参考文献 33被引用数 7

ひとこと要約

本稿では、血管造影画像における血管分離のトポロジー整合性を向上させるために、トポロジカル類似度インデックスと形態的クロージャー演算子に基づく新しい損失関数を提案する。本手法は、断たれたセグメントや誤った接続に対してより強くペナルティを課すことで、深層学習モデルが連結され、臨床的に意味のある血管木構造を生成する能力を向上させ、網膜および冠動脈造影画像データセットにおいて、標準損失関数よりもトポロジカル指標で優れた性能を示す。

ABSTRACT

Blood vessel segmentation is one of the most studied topics in computer vision, due to its relevance in daily clinical practice. Despite the evolution the field has been facing, especially after the dawn of deep learning, important challenges are still not solved. One of them concerns the consistency of the topological properties of the vascular trees, given that the best performing methodologies do not directly penalize mistakes such as broken segments and end up producing predictions with disconnected trees. This is particularly relevant in graph-like structures, such as blood vessel trees, given that it puts at risk the characterization steps that follow the segmentation task. In this paper, we propose a similarity index which captures the topological consistency of the predicted segmentations having as reference the ground truth. We also design a novel loss function based on the morphological closing operator and show how it allows to learn deep neural network models which produce more topologically coherent masks. Our experiments target well known retinal benchmarks and a coronary angiogram database.

研究の動機と目的

• 深層学習ベースの血管分離において、接続されていないか、誤って接続された血管木が生じるという、長年のトポロジカル不整合の問題に対処すること。
• 標準的なピクセル単位の指標が捉えきれない、断たれたセグメントや不自然な接続といったトポロジカルエラーを明示的にペナルティ化する類似度指標の設計。
• 形態的クロージャー演算子を活用して予測された血管マスク内の構造的エラーを検出し、ペナルティを課すことでトポロジカル整合性を促進する微分可能な損失関数の開発。
• 提案手法を網膜および冠動脈造影画像データセットで評価し、標準的なピクセル単位の指標に悪影響を及げず、トポロジカル性能が向上することを示すこと。
• ベンチマーク評価にトポロジカル評価を組み込むことの重要性を提唱し、Dice や AUC といった従来の指標にとどまらないよう、コミュニティに呼びかけること。

提案手法

• 予測された血管木の構造的整合性を、正解と比較して評価するトポロジカル類似度インデックスを提案し、グラフの接続性を損なうエラーに重点を置く。
• 形態的クロージャー演算子に基づく微分可能な損失関数 $ L_{\text{prop}} $ を設計し、断たれたセグメントや誤った接続といったトポロジカルエラーを検出し、ペナルティを課す。
• 既存のセンター線に依存する損失関数（例：$ L_{\text{cldice}}, L_{\text{clbce}} $）に、提案されたトポロジカルペナルティ項を統合することで、接続性の向上を図る。
• U-Netベースの深層ニューラルネットワークを網膜フンダス画像および冠動脈造影画像で学習させる際に、この損失関数を適用し、よりトポロジカルに整合性のある予測を学習させる。
• スケルトン化と経路探索解析を用いてトポロジカル類似度を計算し、グラフ構造に影響を与えるエラーが評価で優先されるようにする。
• ピクセル単位の指標（AUC、Dice）とトポロジーアウェア指標を組み合わせたハイブリッド評価フレームワークを採用し、モデル性能を包括的に評価する。

実験結果

リサーチクエスチョン

• RQ1 新しいトポロジカル類似度インデックスは、断たれたセグメントや誤った接続といった構造的エラーを効果的に捉え、ペナルティを課すことができるか？
• RQ2 既存のセンター線に依存する損失関数に、形態的クロージャーに基づく損失項を統合することで、予測された血管木のトポロジカル整合性が顕著に向上するか？
• RQ3 提案手法は、多様な医療画像分野において、標準損失関数およびセンター線に依存する損失関数と比較して、トポロジカル性能で優れているか？
• RQ4 提案された損失関数は、AUC や Dice といった標準的なピクセル単位の分離指標に、どの程度悪影響を及げるか？
• RQ5 提案手法は、細い領域における血管径の過大評価を伴わずに、誤った陽性接続や断たれたセグメントを低減できるか？

主な発見

• 提案されたトポロジカル類似度インデックスは、血管木の接続性を損なうエラーを効果的に特定し、標準指標よりも断たれた木構造や誤った接続に対して強くペナルティを課すことがわかった。
• 提案された損失関数（$ L_{\text{propdice}} $）で学習したモデルは、CHASE および CORONARY データセットの両方で、ベースラインおよびセンター線に依存する損失関数を上回る最高のトポロジカル類似度スコアを達成した。
• $ L_{\text{propbce}} $ の損失バージョンが、トポロジカル整合性とピクセル単位の AUC の低下の両立を最良に果たし、最も頑健な選択肢であった。
• 提案された損失関数は、予測結果における断たれたセグメント数と誤った接続数を減少させたことが視覚的に図8で確認された。
• センター線に依存する損失関数だけでは、血管木を切断または融合させるエラーを完全に解消できず、トポロジカル整合性を保証できなかった。
• 本手法はドメインに跨る一般化性を示し、網膜および冠動脈造影画像の両方で、ドメイン特化の調整を要せず、トポロジカル性能が向上した。