通过连接感知损失计算实现分割中实例连续性和长度保持
计算机视觉与模式识别
2025-09-04 v1
摘要
在许多生物医学分割任务中，保持细长结构的连续性和长度比体素级精度更为重要。我们提出了两种新型损失函数，即负中心线损失和简化拓扑损失，这两种损失应用于卷积神经网络 (CNN)，可帮助保持输出实例的连通性。此外，我们讨论了实验设计特征，如下采样和间距校正，这些特征有助于获得连续的分割掩码。我们在 3D 光片荧光显微镜数据集上对方法进行评估，该数据集包含轴突初始段 (AIS)，这是一项因信号脱落而容易出现不连续性的任务。与标准 CNN 和现有拓扑感知损失相比，我们的方法在缺失输入信号区域显著减少了每个实例的分割不连续性，从而在下游应用中改善了实例长度计算。我们的发现表明，嵌入损失设计中的结构先验条件可以显著提高生物医学分割的可靠性。
引用
@article{arxiv.2509.03154,
title = {Preserving instance continuity and length in segmentation through connectivity-aware loss computation},
author = {Karol Szustakowski and Luk Frank and Julia Esser and Jan Gründemann and Marie Piraud},
journal= {arXiv preprint arXiv:2509.03154},
year = {2025}
}
备注
\c{opyright} 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works