用于细管状结构连通性保持与资源高效分割的骨架召回损失

准确分割细管状结构（如血管、神经、道路或混凝土裂缝）是计算机视觉中的一项关键任务。标准的基于深度学习的分割损失函数（如 Dice 或交叉熵）侧重于体积重叠，通常以牺牲保持结构连通性或拓扑为代价。这可能导致分割误差对下游任务产生不利影响，包括流量计算、导航和结构检查。尽管当前聚焦拓扑的损失函数有所改进，但它们引入了显著的计算和内存开销。这对于 3D 数据尤为相关，使得这些损失函数无法应用于更大的体积以及日益重要的多类分割问题。为了缓解这一问题，我们提出了一种新颖的骨架召回损失，通过使用低成本的 CPU 操作规避密集的 GPU 计算，有效应对了这些挑战。在五个公开数据集上，它在拓扑保持分割方面表现出优于当前 SOTA 方法的整体性能，同时将计算开销降低了 90% 以上。在此过程中，我们引入了首个适用于细结构分割的多类损失函数，在拓扑保持的效率和有效性上均表现出色。