[论文解读] Topologically faithful image segmentation via induced matching of persistence barcodes

Nico Stucki, Johannes C. Paetzold+3 more|arXiv (Cornell University)|Nov 28, 2022

Topological and Geometric Data Analysis被引用 7

一句话总结

本文提出Betti匹配，一种新颖的可微分损失函数与度量，用于图像分割，通过持久性条形码的诱导匹配，确保真实标签与预测结果之间拓扑特征（如连通分量和环）的空间精确对应。该方法在六个不同数据集上实现了卓越的拓扑保真度，同时保持体积性能，其拓扑准确性与泛化能力优于现有的Wasserstein损失等方法。

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.

研究动机与目标

• 为解决现有拓扑感知分割方法中缺乏空间对应性的问题，即拓扑特征的匹配未考虑其在图像中的位置。
• 开发一种可微分、可解释的度量，不仅评估拓扑特征的数量，还评估其在分割结果中的空间位置。
• 提出一种训练损失，通过空间一致的方式惩罚特征错位，从而强制模型学习正确的拓扑结构。
• 证明Betti匹配可带来更鲁棒、泛化能力更强的分割模型，尤其在从零开始训练时表现更优。

提出的方法

• 该方法利用代数拓扑中的诱导匹配，建立真实图像与预测图像持久性条形码之间的空间正确对应关系。
• 通过将两张图像嵌入到一个共同的对比图像中，利用δ-交错和诱导δ-匹配定义拓扑特征的空间一致匹配。
• Betti匹配误差计算为最优诱导匹配的总代价，作为训练分割网络的可微分损失函数。
• 该方法支持仅前景（超水平）和全图（双水平）两种拓扑分析，后者在复杂背景拓扑上表现更优。
• 设计了一种高效算法，以O(n³)时间复杂度计算Betti匹配，使其可实际应用于深度学习流水线。
• 该方法目前实现于2D，但理论保证可扩展至3D。

实验结果

研究问题

• RQ1 能否设计一种可微分损失函数，以确保图像分割中拓扑特征的空间正确匹配？
• RQ2 在拓扑匹配中强制空间对应是否能提升训练分割网络的泛化能力与鲁棒性？
• RQ3 与现有的拓扑感知损失（如Wasserstein损失）相比，Betti匹配在拓扑性能与体积性能方面表现如何？
• RQ4 Betti匹配误差是否比Betti数误差更具敏感性与可解释性，从而更适于评估分割质量？
• RQ5 Betti匹配能否在高不确定性与噪声预测场景下，有效用于从零开始训练？

主要发现

• Betti匹配在六个不同数据集（包括CREMI、Elegans和synMnist）上显著提升了拓扑性能，同时保持或改善了体积Dice分数。
• 在CREMI数据集上，Betti匹配将拓扑误差（τerr）降低至26.80，而Wasserstein基线为52.08，证明其具有更优的拓扑保真度。
• 该方法支持成功从零开始训练，优于Wasserstein基线，后者因早期训练阶段错误的环匹配而表现不佳。
• Betti匹配中的α超参数可调且依赖数据集；增大α可提升拓扑指标，但过大的值可能在某些数据集上降低Dice性能。
• Betti匹配无需预训练，且添加图像边界（相对Betti匹配）影响可忽略，表明其对边界伪影具有鲁棒性。
• Betti匹配损失在优化Wasserstein损失方面比基线更高效，表明其具有更优的梯度流动与训练动态。