[논문 리뷰] Topology-Preserving Deep Image Segmentation

Xiao Hu, Fuxin Li외 2명|arXiv (Cornell University)|2019. 06. 12.

Topological and Geometric Data Analysis참고 문헌 38인용 수 86

한 줄 요약

TopoNet은 지속적 동형성에 기반한 differentiable한 위상 손실을 도입하여 올바른 토폴로지를 가진 분할을 학습하고, 픽셀 정확도는 유지하면서 Betti 수 관련 지표를 개선합니다.

ABSTRACT

Segmentation algorithms are prone to make topological errors on fine-scale structures, e.g., broken connections. We propose a novel method that learns to segment with correct topology. In particular, we design a continuous-valued loss function that enforces a segmentation to have the same topology as the ground truth, i.e., having the same Betti number. The proposed topology-preserving loss function is differentiable and we incorporate it into end-to-end training of a deep neural network. Our method achieves much better performance on the Betti number error, which directly accounts for the topological correctness. It also performs superiorly on other topology-relevant metrics, e.g., the Adjusted Rand Index and the Variation of Information. We illustrate the effectiveness of the proposed method on a broad spectrum of natural and biomedical datasets.

연구 동기 및 목표

• membranes, vessels, and roads와 같은 미세한 구조에서 위상학적으로 보장된 정확성을 가진 분할을 목표로 한다.
• 지속적 다이어그램으로 계산된 differentiable 토폴로지 손실 L_topo를 도입하여 엔드-투-엔드 학습을 안내한다.
• Betti 오류, ARI, VI 등 토폴로지 관련 지표를 개선하면서 다양한 데이터셋에서 픽셀 단위 정확도를 유지한다.

제안 방법

• 신경망으로부터 얻은 가능도 맵 f와 지상 truth g를 정의하고 L = L_bce + λ L_topo를 최적화한다.
• 지속적 동형성을 이용해 지속표(persistence diagrams)와 최적 일치 거리(Wasserstein와 유사)로 위상 인식이 가능한 연속 손실을 계산한다.
• f의 임계점을 이용해 네트워크 파라미터에 대한 L_topo의 미분 가능한 기울기를 도출한다.
• 위상을 국지화하고 계산을 줄이기 위해 작은 패치(예: 65x65)에서 상대적 지속적 동형성을 활용하여 학습한다.
• 표준 분할 네트워크에 통합될 수 있는 아키텍처 독립적 위상 손실을 제공한다.

실험 결과

연구 질문

• RQ1 지속적 다이어그램에 기반한 미분 가능한 위상 손실이 토폴로지가 일관된 분할을 강제할 수 있는가?
• RQ2 L_topo를 도입하면 픽셀 정확도를 해치지 않으면서 토폴로지에 민감한 지표(Betti 수 오류, ARI, VOI)를 개선하는가?
• RQ3 다양한 자연 및 생의학 데이터셋에서 미세 구조에 대해 이 접근법이 효과적인가?
• RQ4 엔드-투-엔드 학습에 위상 손실을 통합할 때 패치 크기, 학습 동역학 등 실용적 고려사항은 무엇인가?

주요 결과

• TopoNet은 여러 데이터셋에서 베타 수 오차(Betti number error) 측면에서 기존 baselines보다 우수한 성능을 달성한다.
• TopoNet은 토폴로지 관련 지표인 ARI와 VOI를 개선하면서 픽셀 정확도도 경쟁력 있게 유지한다.
• 토폴로지 손실은 리프시츠-연속이며 L_topo가 0일 때 올바른 분할을 생성한다.
• 패치 기반의 상대적 지속적 동형성으로 학습하는 것은 미세 구조 분할에 대해 효율적이고 효과적이다.
• CREMI, ISBI12/13, CrackTree, Road, DRIVE에 걸친 실험에서 일관된 토폴로지 개선이 확인되었다.