【2021-CVPR】clDice - a Novel Topology-Preserving Loss Function for Tubular Structure Segmentation

概述

针对管状网络形的血管、道路等目标的语义分割，提出了一个新的基于中心线的clDice函数，计算的是语义分割掩膜和它们的拓扑骨架的重合度。证明了clDice可以保持拓扑关系。并基于此，提出了一个高计算效率、可微分的损失函数(soft-clDice)，它可用于任意语义分割网络的训练。实验结果表明其有更准确的连通性信息，更高的图形相似性和更好的体积分数的分割。

• Paper
• Code

总结

• 创新点：
  • 1.针对管状成网络形的目标，保留了其拓扑关系，进行了证明
  • 2.可应用于任何语义分割网络的损失函数
• 不足：
• 分析：
• 结论：

---

1. Introduction

保留拓扑精度对于一些任务很重要，比如对血管分割来分析血流。目前针对管状曲线结构的语义分网络，常用的两个定量评估标准为：1）基于重叠的度量，例如Dice；2）基于体积距离度量。目前大多问题关注点为局部管状结构和全局形成的网络，二者之中最重要的是全局网络拓扑的连通性。以血管数据为例，对全局平均损失的训练会导致对大血管的体积分割的强烈偏向。（如下紫色区域相对于红色区域）

针对二值几何图形，根据不同的拓扑定义，基于细化和中间区的各种算法已证明是可以保留拓扑关系的。然而目前还没提出端到端的损失函数。本文借此提出了一种新的连接感知相似性度量clDice，用于训练管状分割算法，公式基于形态学骨架，主要看拓扑结构而非平均加权每个体素，实验证明本文方法可应用于2D和3D网路，有很强的实用性。

2. 强调连通性

需要两个二值图：真值图$V_L$，预测的分割结果$V_P$。首先分别从两张图中提出骨架$S_L$和$S_P$；接下来计算$S_P$在$V_L$中的分数，这里叫做拓扑精度Tprec($S_P$, $V_L$)，同样地计算$S_L$在$V_P$中的分数，并称之为拓扑灵敏度(召回率recall)Tprec($S_L$, $V_P$)。在预测过程中，拓扑精度容易出现假阳性，拓扑灵敏度容易出现假阴性，所以这么叫。

为了最大化精度和灵敏度(召回率)，我们的clDice如下定义

3. clDice的拓扑保证

保持拓扑关系的理论证明

4. 使用clDice训练网络

4.1 使用软骨架化的Soft-clDice

得可微，用于损失函数就得可微。常用的方法有欧拉距离转换和形态学细化，欧拉距离转换有时不连续，所以使用形态学的细化。本文据此提出软骨架化，迭代使用最大最小池化来代替形态学操作中的膨胀和腐蚀。算法1所示为骨架化迭代过程：

• 超参数 k 表示骨架化的迭代次数，必须大于等于观察到的管状结构最大半径(像素)，具体依赖于实验所用数据集，更大的k并不会降低效果但会增加计算时间，太小的k则不能完全提取出骨架
• 超参数 I 表示掩膜图像
  
  下图为骨架化的一个连续过程示意，在早期的迭代中，具有小半径的结构被骨架化并被保留，直到较厚的结构被骨架化的后期迭代，这使得可以提取无参数的、形态学驱动的软骨架，最后使得clDice成为可微分、实值、可优化的度量
  

算法2表示soft-clDice的执行过程，与Dice、交叉熵等函数不同的是，clDice只考虑前景目标提取出的骨架，这使得它对异常值和噪声具有鲁棒性。

• 超参数 $V_P$ 表示语义分割网络的实值概率预测
• 超参数 $V_L$ 表示真值掩膜

4.2 损失函数

本文的目标是在实现精确分割的同时保持拓扑而非学习骨架，因此把soft-clDice和soft-Dice用如下方法综合起来考虑。其中$\alpha \in [0,0.5]$：与已有方法形成了鲜明对比，已有方法将分割和中心线预测作为多任务联合学习，而本只对保持拓扑结构的分割感兴趣，对中心线的学习没兴趣。

训练流程如下

1. 首先对原图使用分割网络得到粗略分割概率图；
2. 再分别对实际结果（Actual Mask）和预测结果（Predicted Mask）提取骨架；
3. 最后根据soft-clDice的计算公式计算soft-clDice，与soft-Dice结合得到损失函数，进行模型训练

4.3 适应高度不平衡的数据

证明时说了是前景和背景，但在实验中，对于复杂和高度不平衡的数据集，在未充分代表的前景上计算clDice也是足够的

5. 实验

5.1数据集 5.2评估标准 5.3结果和讨论
定量：任意比例下的soft-clDice针对所有2D和3D数据集都提高了拓扑的、体积的和图形的相似性，$\alpha$可作为一个超参数以适应不同的数据集，增加$\alpha$可提高拓扑性度量。soft-clDice对类似的二元分割任务有很大的适用性，可部署到任意网络的架构

定性

6. Conclusive Remarks

提出clDice，一种新的可保持拓扑特性的相似性度量，用于管状结构的分割。并对此进行了理论证明。然后在损失函数中使用clDice的可微分版本soft-clDice训练网络，结果证明挺好的，计算效率高，可迁移到其他网络上。