[论文解读] associated_data_Investigating the Effectiveness of clDice Loss for Road Crack Segmentation

Pereira, Vosco|arXiv (Cornell University)|Jun 19, 2025

Medical Image Segmentation Techniques参考文献 62被引用 393

一句话总结

本文提出 clDice，一种用于分割管状结构（如道路、血管和神经元）的新颖拓扑保持损失函数。通过在分割掩码与其形态学骨架的交集中计算相似性，clDice 确保了同伦等价意义上的拓扑连通性；使用其可微形式 soft-clDice 进行训练，可在五个公开的 2D 和 3D 数据集中提升连通性准确率、图相似性以及体积评分。

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.

研究动机与目标

• 开发一种分割评估指标，优先考虑拓扑连通性而非体素级重叠。
• 解决传统指标（如 Dice）的局限性，后者无法惩罚诸如血管段断裂等破坏拓扑的错误。
• 提出一种可微分的、可训练的损失函数，以在深度学习训练过程中强制保持拓扑结构。
• 证明 soft-clDice 在真实世界数据集中可超越标准体积度量指标，提升分割质量。

提出的方法

• 提出中心线 Dice（clDice），一种在二值分割掩码及其形态学骨架交集上计算的相似性度量。
• 理论上证明 clDice 在 2D 和 3D 二值分割中可保证拓扑保持性，直至同伦等价。
• 开发 soft-clDice 作为 clDice 的可微分、可微分近似，用于神经网络的端到端训练。
• 采用形态学骨架化方法提取中心线，并计算预测结果与真实标签骨架之间的重叠。
• 将 soft-clDice 集成为 U-Net 架构在 2D 和 3D 分割任务中的损失函数。
• 使用复杂度为 O(kn²) 的软骨架近似，每张图像计算效率高，训练开销微小。

实验结果

研究问题

• RQ1 是否存在一种良好的像素级度量，可用于评估管状和曲线状结构的分割算法，同时保证拓扑保持性？
• RQ2 能否使一种拓扑感知的相似性度量可微分，并用作深度神经网络的训练损失？
• RQ3 soft-clDice 在保持网络连通性和拓扑结构方面，相较于标准损失（如 Dice）表现如何？
• RQ4 soft-clDice 是否能在具有不同管状结构复杂度的多样化数据集中提升分割性能？

主要发现

• 与 soft-Dice 相比，使用 soft-clDice 训练在马萨诸塞州道路数据集和 DRIVE 视网膜数据集上，平均 F1 分数提升了 1.5–2.5%。
• 在 3D Vessap 数据集中，soft-clDice 相较于 soft-Dice 将假阳性连接减少了 30%，后者存在过度分割血管的问题。
• 在 CREMI 神经元数据集中，soft-clDice 达到了 0.872 的 F1 分数，优于 soft-Dice（0.855），并成功保留了精细的神经元连接。
• soft-clDice 提升了图相似性和欧拉示性数，表明预测分割结果具有更好的拓扑保真度。
• 在 RTX-8000 上，该方法仅带来 10% 的训练时间开销，且所有损失函数的推理时间保持不变。
• 定性结果表明，soft-clDice 恢复了 soft-Dice 所遗漏的复杂道路和视网膜血管网络中的缺失连接。