[論文レビュー] Topologically faithful image segmentation via induced matching of persistence barcodes

Nico Stucki, Johannes C. Paetzold+3 more|arXiv (Cornell University)|Nov 28, 2022

Topological and Geometric Data Analysis被引用数 7

ひとこと要約

本論文は、持久的バー図の誘導マッチングを用いて、正例と予測の間のトポロジカル特徴（例えば、連結成分やサイクル）の空間的に正確な対応を保証する、新しい微分可能損失関数およびメトリック、Bettiマッチングを導入する。6つの多様なデータセットで優れたトポロジカル忠実度を達成するとともに、ボリュメトリック性能を維持し、既存の手法（例：Wasserstein損失）に比べてトポロジカルな正確性と一般化性能で優れている。

ABSTRACT

Image segmentation is a largely researched field where neural networks find vast applications in many facets of technology. Some of the most popular approaches to train segmentation networks employ loss functions optimizing pixel-overlap, an objective that is insufficient for many segmentation tasks. In recent years, their limitations fueled a growing interest in topology-aware methods, which aim to recover the correct topology of the segmented structures. However, so far, none of the existing approaches achieve a spatially correct matching between the topological features of ground truth and prediction. In this work, we propose the first topologically and feature-wise accurate metric and loss function for supervised image segmentation, which we term Betti matching. We show how induced matchings guarantee the spatially correct matching between barcodes in a segmentation setting. Furthermore, we propose an efficient algorithm to compute the Betti matching of images. We show that the Betti matching error is an interpretable metric to evaluate the topological correctness of segmentations, which is more sensitive than the well-established Betti number error. Moreover, the differentiability of the Betti matching loss enables its use as a loss function. It improves the topological performance of segmentation networks across six diverse datasets while preserving the volumetric performance. Our code is available in https://github.com/nstucki/Betti-matching.

研究の動機と目的

• 既存のトポロジーアウェアなセグメンテーション手法において、特徴の画像内位置を考慮しないトポロジカル特徴のマッチングが行われるという問題に対処すること。
• トポロジカル特徴の数だけでなく、その空間的位置を評価できる微分可能で解釈可能なメトリックを構築すること。
• 空間的に一貫した方法で誤って対応付けられた特徴をペナルティ化することで、正しいトポロジカル構造を強制する訓練損失を提案すること。
• Bettiマッチングが、特にスクラッチから訓練する際のより強固で一般化性の高いセグメンテーションモデルをもたらすことを実証すること。

提案手法

• 本手法は代数的トポロジーからの誘導マッチングを用い、正例画像と予測画像の持久的バー図間の空間的に正しい対応を確立する。
• 両方の画像を共通の比較画像に埋め込み、δ-インターリーブおよび誘導δマッチングを介して空間的に一貫したトポロジカル特徴のマッチングを定義する。
• Bettiマッチング誤差は最適な誘導マッチングの総コストとして計算され、セグメンテーションネットワークの訓練用の微分可能損失関数として機能する。
• 本手法は、フォアグラウンドのみ（スーパークラス）およびフル画像（バイクラス）のトポロジカル解析をサポートしており、後者は複雑なバックグラウンドトポロジの処理で性能向上をもたらす。
• 効率的なアルゴリズムにより、O(n³)時間でBettiマッチングが計算可能であり、ディープラーニングパイプラインでの実用的利用を可能にする。
• 本手法は2次元に実装されており、理論的保証は3次元へも拡張可能である。

実験結果

リサーチクエスチョン

• RQ1 画像セグメンテーションにおけるトポロジカル特徴の空間的に正しいマッチングを保証する微分可能損失関数を設計できるか？
• RQ2 トポロジカルマッチングにおける空間的対応を強制することで、セグメンテーションネットワークの訓練における一般化性とロバスト性が向上するか？
• RQ3 Wasserstein損失などの既存のトポロジーアウェア損失と比較して、Bettiマッチングはトポロジカルおよびボリュメトリック性能の両面で優れているか？
• RQ4 Betti数誤差と比較して、Bettiマッチング誤差はセグメンテーション品質の評価においてより感受性が高く、解釈可能であるか？
• RQ5 Bettiマッチングは、高い不確実性やノイズの多い予測が生じる状況下でも、スクラッチからの訓練に効果的に使用できるか？

主な発見

• Bettiマッチングは6つの多様なデータセット（CREMI、Elegans、synMnistなど）でトポロジカル性能を顕著に向上させるとともに、ボリュメトリックなDiceスコアを維持または向上させた。
• CREMIデータセットでは、Bettiマッチングによりトポロジカル誤差（τerr）が52.08（Wassersteinベースライン）から26.80に低下し、優れたトポロジカル忠実度を示した。
• 本手法により、スクラッチからの訓練が成功裏に実現され、Wassersteinベースラインが初期学習段階で誤ったサイクルマッチングにより困難をきたすのに対し、本手法はそれを回避した。
• Bettiマッチングにおけるαハイパーパrameterはチューニング可能で、データセットに依存する。αを増加させることでトポロジカルメトリクスが向上するが、極端に高い値にすると一部のデータセットでDice性能が低下する可能性がある。
• Bettiマッチングには事前学習が不要であり、画像境界を追加しても（相対的Bettiマッチングとして）効果はほとんどないため、境界アーチファクトに対してロバストであることが示された。
• Bettiマッチング損失はベースラインよりもWasserstein損失を最適化する際に効率的であり、より良い勾配伝搬と訓練ダイナミクスを示唆している。