断开以连接：一种提升图像分割拓扑准确率的数据增强方法
计算机视觉与模式识别
2025-03-10 v1
摘要
对细长管状结构（如血管）的精确分割对深度神经网络而言具有挑战性。这些网络对单个像素进行分类，即使是微小的误分类也可能破坏这些结构内部的细小连接。现有的提升拓扑准确率的方法（如拓扑损失函数）依赖于非常精确且拓扑准确的训练标签，而这些标签难以获取。这是因为标注图像（尤其是 3D 图像）极其费力且耗时。低图像分辨率和对比度进一步增加了标注的难度，因为管状结构会呈现断开的外观。我们提出了 CoLeTra，一种数据增强策略，它将“看起来断裂的结构实际上是相连的”这一先验知识整合到模型中。这是通过生成具有断开结构外观的图像同时保留原始标签来实现的。我们涉及不同架构、损失函数和数据集的大量实验表明，CoLeTra 能够产生拓扑上更准确的分割结果，同时通常还能提升 Dice 系数和 Hausdorff 距离。CoLeTra 的超参数易于调节，且我们的敏感性分析表明 CoLeTra 对这些超参数的变化具有鲁棒性。我们还发布了一个专门适用于关注拓扑准确率的图像分割方法的数据集。CoLetra 的代码可在 https://github.com/jmlipman/CoLeTra 获取。
引用
@article{arxiv.2503.05541,
title = {Disconnect to Connect: A Data Augmentation Method for Improving Topology Accuracy in Image Segmentation},
author = {Juan Miguel Valverde and Maja Østergaard and Adrian Rodriguez-Palomo and Peter Alling Strange Vibe and Nina Kølln Wittig and Henrik Birkedal and Anders Bjorholm Dahl},
journal= {arXiv preprint arXiv:2503.05541},
year = {2025}
}