[논문 리뷰] associated_data_Investigating the Effectiveness of clDice Loss for Road Crack Segmentation

Pereira, Vosco|arXiv (Cornell University)|2025. 06. 19.

Medical Image Segmentation Techniques참고 문헌 62인용 수 393

한 줄 요약

이 논문은 도로, 혈관, 뉴런과 같은 관형 구조를 분할하기 위한 새로운 토폴로지 보존 손실 함수인 clDice를 소개한다. 분할 마스크와 그들의 형태학적 스켈레톤의 교차부분에서 유사도를 계산함으로써 clDice는 호모토피 동치성 수준에서 토폴로지 연결성을 보장한다; 이에 대해 미분 가능한 형태인 soft-clDice를 사용해 훈련하면 다섯 개인 공개 2D 및 3D 데이터셋에서 연결성 정확도, 그래프 유사도, 부피 측정치가 향상된다.

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.

연구 동기 및 목표

• 비트별 겹침을 우선시하는 것이 아니라 토폴로지 연결성을 우선시하는 분할 평가 지표를 개발하기 위해.
• 기존의 Dice와 같은 전통적 지표가 끊어진 혈관 세그먼트와 같은 토폴로지 파괴 오류를 보상하지 못하는 한계를 해결하기 위해.
• 딥 러닝 훈련 중에 토폴로지 보존을 강제하는, 미분 가능한, 훈련 가능한 손실 함수를 제안하기 위해.
• 실제 데이터셋에서 표준 부피 측정치를 넘어서 소프트-clDice가 분할 품질을 향상시킨다는 것을 보여주기 위해.

제안 방법

• 이중 분할 마스크와 그들의 형태학적 스켈레톤의 교차부분에서 계산되는 유사도 측정인 centerlineDice (clDice)를 제안한다.
• 이론적으로 clDice가 2D 및 3D 이진 분할에서 호모토피 동치성 수준에서 토폴로지 보존을 보장함을 증명한다.
• 신경망의 엔드 투 엔드 훈련을 위한 clDice의 미분 가능한 근사치인 soft-clDice를 개발한다.
• 형태학적 스켈레톤화를 사용해 중심선을 추출하고 예측된 스켈레톤과 진짜 스켈레톤 간의 겹침을 계산한다.
• U-Net 아키텍처에 소프트-clDice를 손실 함수로 통합하여 2D 및 3D 분할 작업을 수행한다.
• 이미지당 O(kn²) 복잡도를 가지는 소프트-스켈레톤 근사치를 사용하여, 최소한의 오버헤드로 효율적인 훈련을 가능하게 한다.

실험 결과

연구 질문

• RQ1 관형 및 곡선형 구조의 분할 알고리즘을 평가하기 위한 좋은 픽셀 기반 측정치는 무엇이며, 동시에 토폴로지 보존을 보장할 수 있는가?
• RQ2 토폴로지 인식 유사도 측정치를 어떻게 미분 가능하게 만들 수 있으며, 이를 딥 네트워크 훈련의 손실 함수로 사용할 수 있는가?
• RQ3 소프트-clDice는 소프트-Dice와 비교해 네트워크의 연결성과 토폴로지 구조 보존에 얼마나 효과적인가?
• RQ4 소프트-clDice는 다양한 복잡도의 관형 구조를 가진 다양한 데이터셋에서 분할 성능을 향상시키는가?

주요 결과

• 소프트-Dice와 비교해, 매사추세츠 도로 및 DRIVE 망막 데이터셋에서 소프트-clDice 훈련으로 평균 F1 스코어가 1.5–2.5% 향상되었다.
• 3D Vessap 데이터셋에서 소프트-clDice는 소프트-Dice보다 30% 더 낮은 가짜 양성 연결을 보였으며, 이는 과분할을 줄였음을 의미한다.
• CREMI 뉴런 데이터셋에서 소프트-clDice는 F1 스코어 0.872를 기록하여 소프트-Dice(0.855)를 능가했으며 미세한 뉴런 연결을 유지했다.
• 소프트-clDice는 그래프 유사도와 오일러 특성을 향상시켜, 예측 분할의 더 높은 토폴로지 정밀도를 나타냈다.
• RTX-8000에서 훈련 시간 오버헤드는 10%에 그쳤으며, 손실 함수에 관계없이 추론 시간은 동일했다.
• 정성적 결과에서 소프트-clDice는 소프트-Dice가 놓친 복잡한 도로 및 망막 혈관 네트워크의 연결을 복구했다.