用于3D图像分割的拓扑感知焦点损失

分割算法的效能常因重叠区域、断裂连接与空洞等拓扑错误而受损。为解决此问题，我们引入一种新颖的损失函数，即拓扑感知焦点损失（TAFL），它将常规焦点损失与基于真实值与预测分割掩码的持久图之间Wasserstein距离的拓扑约束项相结合。通过强制与真实值相同的拓扑，该拓扑约束能有效解决拓扑错误，而焦点损失处理类不平衡。我们首先从真实值与预测分割掩码的过滤立方复形构建持久图。随后利用Sinkhorn-Knopp算法确定两持久图间的最优传输方案。所得传输方案最小化从一分布到另一分布传输质量的开销，并提供两持久图点之间的映射。我们继而基于此传输方案计算Wasserstein距离以度量真实值与预测掩码间的拓扑差异。我们通过使用MICCAI脑肿瘤分割（BraTS）挑战验证数据集训练3D U-Net来评估我们的方法，该数据集需要对整合多模态以精确识别与追踪恶性脑肿瘤的3D MRI扫描进行准确分割。然后，我们证明通过将拓扑约束作为惩罚项加入以正则化焦点损失，可提升分割性能质量。