[논문 리뷰] Topologically faithful image segmentation via induced matching of persistence barcodes

Nico Stucki, Johannes C. Paetzold외 3명|arXiv (Cornell University)|2022. 11. 28.

Topological and Geometric Data Analysis인용 수 7

한 줄 요약

이 논문은 지도 학습과 예측 간의 위상적 특징(예: 연결 성분 및 사이클) 간에 공간적으로 정확한 대응을 보장하기 위해 영구성 바코드의 유도 매칭을 사용하는 새로운 미분 가능한 손실 함수이자 메트릭인 Betti 매칭을 소개한다. 이는 여섯 가지 다양한 데이터셋에서 기존 방법들(예: Wasserstein 손실)보다 위상적 정확도와 일반화 능력에서 뛰어난 성능을 보이며, 볼륨 성능를 유지하면서도 위상적 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 기존의 위상 인식 분할 방법들에서 위상적 특징이 이미지 위치를 고려하지 않고 매칭되는 문제를 해결하기 위해.
• 위상적 특징의 수뿐 아니라 그 공간적 위치까지 평가할 수 있는, 미분 가능하고 해석 가능한 메트릭을 개발하기 위해.
• 위상적 특징 간의 잘못된 정렬을 공간적으로 일관된 방식으로 처벌함으로써, 올바른 위상적 구조를 강제하는 손실 함수를 제안하기 위해.
• Betti 매칭이 특히 초기 학습 단계에서의 높은 불확실성과 노이즈가 있는 예측 상황에서 효과적으로 작동함을 보여주기 위해, 특히 처음부터 학습하는 데에 효과적임을 입증하기 위해.

제안 방법

• 알제브라적 위상수학에서 유도 매칭을 사용하여 지도 학습과 예측 이미지의 영구성 바코드 간에 공간적으로 정확한 대응을 설정한다.
• 두 이미지를 동일한 비교 이미지에 매핑하여 δ-인터레일링과 유도된 δ-매칭을 통해 공간적으로 일관된 위상적 특징 매칭을 정의한다.
• Betti 매칭 오차는 최적의 유도 매칭의 총 비용으로 계산되며, 이는 분할 네트워크 학습을 위한 미분 가능한 손실 함수로 사용된다.
• 이 방법은 후방 경계를 포함한 전체 이미지(bothlevel) 분석과 전경 전용(superlevel) 분석을 모두 지원하며, 복잡한 배경 위상에 대해 후자가 성능을 향상시킨다.
• 효율적인 알고리즘이 O(n³) 시간에 Betti 매칭을 계산하여 딥 러닝 파이프라인에서 실용적으로 사용할 수 있도록 한다.
• 이 방법은 2D에서 구현되었으며, 이론적 보장은 3D로도 확장 가능하다.

실험 결과

연구 질문

• RQ1 이미지 분할에서 위상적 특징 간에 공간적으로 정확한 매칭을 보장하는 미분 가능한 손실 함수를 설계할 수 있는가?
• RQ2 위상 매칭에서 공간적 대응을 강제하면 분할 네트워크 학습의 일반화 능력과 견고성이 향상되는가?
• RQ3 Wasserstein 손실과 같은 기존의 위상 인식 손실과 비교할 때 Betti 매칭은 위상적 성능와 볼륨 성능 측면에서 어떻게 다른가?
• RQ4 Betti 수 오차보다 Betti 매칭 오차가 분할 품질 평가에 더 민감하고 해석 가능한 메트릭인가?
• RQ5 Betti 매칭은 특히 불확실성이 높고 노이즈가 많은 예측 상황에서 처음부터 학습하는 데 효과적으로 사용될 수 있는가?

주요 결과

• Betti 매칭은 CREMI, Elegans, synMnist 등 여섯 가지 다양한 데이터셋에서 위상적 성능을 크게 향상시키며, 볼륨 성능인 Dice 점수는 유지하거나 향상시킨다.
• CREMI 데이터셋에서 Betti 매칭은 위상 오차(τerr)를 26.80으로 줄였고, Wasserstein 기준선 대비 52.08보다 훨씬 낮아 위상적 정확도가 뛰어나다는 것을 입증한다.
• 이 방법은 처음부터 학습하는 데 성공적으로 적용되었으며, 초기 학습 단계에서 잘못된 사이클 매칭으로 인해 어려움을 겪는 Wasserstein 기준선보다 뛰어난 성능을 보였다.
• Betti 매칭의 α 하이퍼파라미터는 튜닝 가능하며 데이터셋에 따라 다르게 설정할 수 있다. α를 증가시키면 위상 메트릭이 향상되지만, 지나치게 높은 값은 일부 데이터셋에서 Dice 성능을 떨어뜨릴 수 있다.
• Betti 매칭을 위해 사전 학습이 필요하지 않으며, 이미지 경계를 추가하는(상대적 Betti 매칭) 것의 영향은 거의 없어 경계 아티팩트에 대해 견고함을 보인다.
• Betti 매칭 손실은 기준선보다 Wasserstein 손실을 최적화하는 데 더 효율적이며, 더 나은 기울기 흐름과 학습 역학을 의미한다.