[论文解读] Topological Similarity Index and Loss Function for Blood Vessel Segmentation

Ricardo J. Araújo, Jaime S. Cardoso+1 more|arXiv (Cornell University)|Jul 30, 2021

Retinal Imaging and Analysis参考文献 33被引用 7

一句话总结

本文提出了一种拓扑相似性指数和基于形态学闭运算的新型损失函数，以提升医学图像中血管分割的拓扑一致性。通过更严厉地惩罚断裂的血管段和虚假连接，该方法增强了深度学习模型生成连通且具有临床意义的血管树的能力，在视网膜和冠状动脉造影数据集上的拓扑指标表现优于标准损失函数。

ABSTRACT

Blood vessel segmentation is one of the most studied topics in computer vision, due to its relevance in daily clinical practice. Despite the evolution the field has been facing, especially after the dawn of deep learning, important challenges are still not solved. One of them concerns the consistency of the topological properties of the vascular trees, given that the best performing methodologies do not directly penalize mistakes such as broken segments and end up producing predictions with disconnected trees. This is particularly relevant in graph-like structures, such as blood vessel trees, given that it puts at risk the characterization steps that follow the segmentation task. In this paper, we propose a similarity index which captures the topological consistency of the predicted segmentations having as reference the ground truth. We also design a novel loss function based on the morphological closing operator and show how it allows to learn deep neural network models which produce more topologically coherent masks. Our experiments target well known retinal benchmarks and a coronary angiogram database.

研究动机与目标

• 为解决基于深度学习的血管分割中长期存在的拓扑不一致性问题，即模型生成的血管树存在断开或错误连接的情况。
• 设计一种相似性度量，明确惩罚拓扑错误（如断裂段和虚假连接），而这些错误无法被标准的像素级度量所捕捉。
• 开发一种可微分的损失函数，利用形态学闭运算检测并惩罚预测血管掩膜中的结构错误，从而促进拓扑一致性。
• 在视网膜和冠状动脉造影数据集上评估所提方法，证明其在不降低标准像素级度量的前提下，显著提升了拓扑性能。
• 倡导在基准测试中纳入拓扑评估，呼吁社区超越传统的Dice和AUC等指标。

提出的方法

• 提出一种拓扑相似性指数，用于评估预测血管树与真实值之间的结构一致性，特别关注破坏图连通性的错误。
• 设计一种基于形态学闭运算的可微分损失函数 $ L_{\text{prop}} $，用于检测并惩罚如断开段和虚假连接等拓扑错误。
• 通过引入所提出的拓扑惩罚项，扩展了现有的中心线感知损失（如 $ L_{\text{cldice}}, L_{\text{clbce}} $），以提升连通性。
• 在视网膜眼底图像和冠状动脉造影图像上，将该损失函数应用于基于U-Net的深度神经网络训练，以学习更具拓扑一致性的预测结果。
• 通过骨架化与路径查找分析计算拓扑相似性，确保影响图结构的错误在评估中优先被关注。
• 采用混合评估框架，结合像素级度量（AUC、Dice）与拓扑感知度量，全面评估模型性能。

实验结果

研究问题

• RQ1 所提出的新型拓扑相似性指数是否能有效捕捉并惩罚血管分割中的结构性错误（如断裂段和虚假连接）？
• RQ2 将基于形态学闭运算的损失项整合到现有中心线感知损失中，是否能显著提升预测血管树的拓扑一致性？
• RQ3 在不同医学影像领域中，该方法与标准损失及中心线感知损失相比，在拓扑性能方面表现如何？
• RQ4 所提出的损失函数在多大程度上会降低标准像素级分割度量（如AUC和Dice）？
• RQ5 该方法是否能在不高估狭窄区域血管管径的情况下，减少假阳性连接和断裂段？

主要发现

• 所提出的拓扑相似性指数能有效凸显破坏血管树连通性的错误，对断裂树和虚假连接的惩罚程度高于标准度量。
• 使用所提损失函数（$ L_{\text{propdice}} $）训练的模型在CHASE和CORONARY数据集上均取得了最高的拓扑相似性得分，优于基线和中心线感知损失。
• 损失变体 $ L_{\text{propbce}} $ 取得了最佳整体性能，兼顾了拓扑一致性与像素级AUC的最小退化，是最具鲁棒性的选择。
• 所提损失显著减少了预测结果中的断开段和虚假连接，如图8所示，分割结果中血管断裂或错误连接的情况更少。
• 仅依靠中心线感知损失不足以确保拓扑一致性，因其未能完全解决导致血管树断裂或合并的错误。
• 该方法展现出良好的跨域泛化能力，在视网膜和冠状动脉造影数据上均提升了拓扑性能，且无需领域特定的调整。