TEDS-Net：在空间变换器中强制微分同胚以保证分割中的拓扑保持
图像与视频处理
2021-07-29 v1 计算机视觉与模式识别
摘要
准确的拓扑在进行有意义的解剖结构分割时至关重要，然而传统深度学习方法常忽视这一点。本文提出 TEDS-Net：一种保证准确拓扑的新型分割方法。我们的方法建立在连续微分同胚框架之上，该框架强制拓扑保持。但在实践中，微分同胚场由有限个参数表示并使用线性插值等方法采样，违背了理论保证。因此我们引入额外修正以更严格地强制该性质。我们的网络学习如何将具有所需拓扑特征的二值先验形变以完成分割任务。我们在一个开源 2D 心脏数据集上测试了心肌分割。TEDS-Net 在 100% 的案例中保持了拓扑，而 U-Net 仅为 90%，且未牺牲 Hausdorff 距离或 Dice 性能。代码将发布于：www.github.com/mwyburd/TEDS-Net
引用
@article{arxiv.2107.13542,
title = {TEDS-Net: Enforcing Diffeomorphisms in Spatial Transformers to Guarantee Topology Preservation in Segmentations},
author = {Madeleine K. Wyburd and Nicola K. Dinsdale and Ana I. L. Namburete and Mark Jenkinson},
journal= {arXiv preprint arXiv:2107.13542},
year = {2021}
}
备注
International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2021