[论文解读] Topology-Aware Segmentation Using Discrete Morse Theory

Xiao Hu, Yusu Wang+3 more|arXiv (Cornell University)|Mar 18, 2021

Topological and Geometric Data Analysis参考文献 57被引用 14

一句话总结

该论文提出了一种基于离散莫射理论的新型可微分损失函数 DMT-loss，以提升深度图像分割中的拓扑准确性。通过从置信度图中识别1D骨架和2D补丁作为拓扑关键结构，并对这些结构上误分类区域施加更高惩罚，该方法显著减少了拓扑错误——在CREMI 2D数据集上实现了0.956的贝蒂数误差，优于先前方法在拓扑保真度和训练效率方面的表现。

ABSTRACT

In the segmentation of fine-scale structures from natural and biomedical images, per-pixel accuracy is not the only metric of concern. Topological correctness, such as vessel connectivity and membrane closure, is crucial for downstream analysis tasks. In this paper, we propose a new approach to train deep image segmentation networks for better topological accuracy. In particular, leveraging the power of discrete Morse theory (DMT), we identify global structures, including 1D skeletons and 2D patches, which are important for topological accuracy. Trained with a novel loss based on these global structures, the network performance is significantly improved especially near topologically challenging locations (such as weak spots of connections and membranes). On diverse datasets, our method achieves superior performance on both the DICE score and topological metrics.

研究动机与目标

• 解决深度图像分割中持续存在的拓扑错误问题，如连接断裂和膜结构缺失，这些问题无法被标准的逐像素指标捕捉。
• 克服现有方法在弱血管连接或模糊膜结构等拓扑挑战区域难以泛化的问题。
• 通过在置信度图中识别关键莫射结构（1D曲线和2D补丁），设计一种显式编码全局拓扑结构的训练目标。
• 利用离散莫射理论和持久同调，聚焦于有意义且稳定的拓扑特征，同时过滤噪声，从而提升训练效率和收敛质量。
• 在多样化的2D和3D生物医学数据集上，实现拓扑指标（如贝蒂数误差）和逐像素准确率的卓越性能。

提出的方法

• 利用离散莫射理论（DMT）从分割网络的置信度图中提取拓扑关键结构——1D骨架和2D补丁。
• 通过在对偶图像上计算最小生成树，采用高效的近似算法计算2D莫射结构，实现在近线性时间内的处理。
• 利用持久同调修剪虚假且低持久性的莫射结构，这些结构很可能是噪声或幻觉。
• 设计一种可微分的DMT-loss，对沿这些关键结构发生的假阳性和假阴性样本施加更高惩罚，纠正对清晰边界情况的采样偏差。
• 将DMT-loss集成到标准U-Net架构中，实现端到端训练，使网络在无需架构修改的情况下学习拓扑正确性。
• 通过交叉验证优化超参数，如持久性阈值ε和平衡权重β，以平衡敏感性与鲁棒性。

实验结果

研究问题

• RQ1 离散莫射理论能否有效用于识别基于深度学习的图像分割中的全局拓扑结构（如1D骨架和2D补丁）？
• RQ2 基于莫射理论结构的损失函数是否相比标准逐像素损失或基于关键点的损失，能显著提升拓扑准确性？
• RQ3 所提出的DMT-loss能否在保持高逐像素准确率的同时，减少生物医学图像中连接断裂和膜结构错误闭合等拓扑错误？
• RQ4 在噪声条件下DMT-loss表现如何？与基线方法相比是否对图像退化具有鲁棒性？
• RQ5 DMT-loss是否相比现有拓扑感知损失（如TopoLoss或重加权交叉熵）具有更快的收敛速度和更好的泛化能力？

主要发现

• 在CREMI 2D数据集上，DMT-loss实现了0.956的贝蒂数误差，显著优于TopoLoss（1.113）和重加权交叉熵（2.753）。
• 该方法约在1.2小时内收敛，相比TopoLoss（3小时）提速3倍，同时实现了更高的拓扑保真度。
• 当持久性阈值ε = 0.2时，DMT-loss达到最优性能（贝蒂数误差：0.982）；ε = 0.1时性能下降至1.206，ε = 0.3时进一步恶化至2.105，证实了阈值调优的重要性。
• DMT-loss对高斯噪声具有鲁棒性，即使在高噪声水平下仍能保持优异性能，这得益于噪声置信度图中莫射结构的稳定性。
• 相比边缘检测（贝蒂数误差：2.971）和脊线检测（2.507），DMT-loss显著优于这些几何基线方法，后者尽管具有高逐像素准确率，却无法纠正拓扑错误。
• DMT-loss通过聚焦于全局显著的莫射结构而非所有误分类像素，有效减少了在拓扑挑战区域（如弱连接和模糊膜结构）的结构性错误。