基于多项式特征合成的通用医学图像分割拓扑细化

尽管现有的医学图像分割方法提供了令人印象深刻的逐像素精度，但它们常常忽略拓扑正确性，这使得其分割结果对许多下游任务不可用。一种选择是在包含拓扑驱动损失分量的情况下重新训练此类模型。然而，这计算成本高昂且通常不切实际。更好的解决方案是拥有一种通用的即插即用拓扑细化方法，该方法与任何特定领域的分割流程兼容。直接训练一个后处理模型来减轻拓扑错误通常会失败，因为此类模型往往偏向于目标分割网络的拓扑错误。这些错误的多样性受限于标注训练集提供的信息，这对于小数据集尤其成问题。我们的方法通过使用覆盖各种拓扑错误的合成分割来训练一个模型无关的拓扑细化网络，从而解决了这个问题。受 Stone-Weierstrass 定理的启发，我们使用随机采样的正交多项式基系数合成拓扑扰动掩码，这确保了完整且无偏的表示。实际上，我们验证了我们的方法在效率与有效性上，与多个多项式基族兼容，并有证据表明，我们通用的即插即用拓扑细化网络优于现有的基于拓扑驱动的学习方法和后处理方法。我们还表明，将我们的方法与基于学习的模型相结合提供了一种简便的附加组件，可以进一步提高现有方法的性能。