[논문 리뷰] Learning Probabilistic Topological Representations Using Discrete Morse Theory

Xiaoling Hu, Dimitris Samaras외 1명|arXiv (Cornell University)|2022. 06. 03.

Topological and Geometric Data Analysis인용 수 4

한 줄 요약

이 논문은 이산 모스 이론과 지속 호몰로지( persistent homology)를 사용하여 확률적 위상/구조적 표현을 학습하는 최초의 딥러닝 방법을 제안한다. 이는 구조를 유지하는 분할과 구조 수준의 불확실성 추정을 가능하게 한다. 지속성 임계값을 통해 모스 복합체의 구조에 대한 확률적 분포를 모델링함으로써, 위상적으로 타당한 분할을 생성하고, 불확실성 인식 샘플링을 통한 효율적인 인터랙티브 검토를 유도한다.

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.

연구 동기 및 목표

• 추론 과정에서 위상적 통합성을 유지하지 못하는 픽셀 수준의 분할 네트워크의 한계를 해결하기 위해.
• 미세한 생물의학 영상에서 구조적 구성 요소의 불확실성을 식별하는 데 부적절한 픽셀 수준의 불확실성 맵의 한계를 극복하기 위해.
• 픽셀 수준의 예측이 아닌 직접적으로 구조적 표현을 모델링하는 딥러닝 프레임워크를 개발하기 위해.
• 구조 수준의 불확실성 가이던스를 제공하여 효율적인 반자동 애너테이션과 검토를 가능하게 하기 위해.

제안 방법

• 이산 모스 이론을 사용하여 학습된 가능도 맵에서 모스 복합체를 구축함으로써 분지 및 패치와 같은 위상적 구조를 추출한다.
• 지속성 임계값 ε를 사용하여 일련의 모스 복합체로 이루어진 일파라미터 가중 구조 공간을 매개변수화한다.
• 지속성 임계값 ε에 대한 정규분포를 학습하여 구조적 가설에 대한 확률적 분포를 모델링한다.
• 학습된 확률적 모델에서 샘플링을 통해 구조적 분할을 생성함으로써 위상 일관성을 보장한다.
• 다중 구조 샘플 간의 분산을 계산하여 구조 수준의 불확실성 추정을 수행한다.
• 위상 구조를 유지하면서 샘플링된 스켈레톤을 전체 분할 맵으로 확장하기 위해 후처리를 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝을 사용하여 픽셀 수준의 예측 대신 직접적으로 위상/구조적 표현을 학습할 수 있는가?
• RQ2 지속 호몰로지와 이산 모스 이론을 딥러닝 프레임워크에 통합하여 구조적 변동성을 모델링할 수 있는가?
• RQ3 구조 수준의 불확실성 맵은 생물의학 영상 애너테이션에서 인터랙티브 검토의 효율성을 향상시킬 수 있는가?
• RQ4 구조적 표현에 대한 확률적 모델을 학습함으로써 분할 과정에서 더 나은 위상 통합성을 확보할 수 있는가?
• RQ5 제안된 방법은 인간 애너테이터를 안내하는 데 있어 픽셀 수준의 불확실성 추정보다 우수한가?

주요 결과

• KL 발산 손실에서 β = 10일 때, DRIVE 데이터셋에서 VOI 점수 0.804 ± 0.047을 기록하여 다른 β 값들보다 뛰어난 성능을 보였다.
• 구조 수준의 불확실성 맵은 경계 픽셀을 균일하게 표시하는 것과 달리, 높은 불확실성을 가진 전체 분지 구조를 강조한다.
• 확률적 모델에서 샘플링을 통해 위상적으로 타당한 분할을 생성하여 추론 시 구조적 통합성을 유지한다.
• 구조 수준의 불확실성 가이던스를 통한 반자동 검토는 기준 방법보다 더 빠르게 분할 정확도를 향상시킨다.
• 높은 불확실성의 분지를 우선적으로 처리함으로써 인간의 오답 수정 노력(거짓 양성 및 음성)을 줄이며 효율적인 인터랙티브 애너테이션을 가능하게 한다.
• 실험 결과, 제안된 방법은 결정론적 및 픽셀 수준의 확률적 기준 방법 모두를 상회하는 검토 효율성을 확보했다.