用于计算机断层扫描图像中主动脉与主要血管分割的拓扑感知损失
图像与视频处理
2026-01-21 v3 计算机视觉与模式识别
机器学习
摘要
当使用标准损失函数训练时，分割网络不会被显式强制学习图像的全局不变量，例如物体形状与多个物体间的几何关系。另一方面，当这些不变量是待分割物体的固有特征时，将其纳入网络训练可能有助于提升各类分割任务的性能。一个例子是计算机断层扫描（CT）图像中主动脉与主要血管的分割，由于人体解剖结构，血管在身体中呈特定几何分布，且在 2D CT 图像上多呈现为圆形物体。本文通过引入一种新的拓扑感知损失函数来解决此问题，该函数通过持续同调惩罚真值与预测之间的拓扑差异。不同于先前提出的分割网络设计（其对预测图的似然函数应用阈值过滤并取真值的 Betti 数），本文提出应用 Vietoris-Rips 过滤获取真值图和预测图的持续图，并以对应持续图间的 Wasserstein 距离计算差异。该过滤的使用具有同时建模形状和几何的优势，而阈值过滤时可能无法实现。我们在 24 名受试者的 4327 张 CT 图像上的实验表明，所提拓扑感知损失函数优于同类方法，显示了该用法的有效性。
引用
@article{arxiv.2307.03137,
title = {Topology-Aware Loss for Aorta and Great Vessel Segmentation in Computed Tomography Images},
author = {Seher Ozcelik and Sinan Unver and Ilke Ali Gurses and Rustu Turkay and Cigdem Gunduz-Demir},
journal= {arXiv preprint arXiv:2307.03137},
year = {2026}
}