计算机断层扫描图像中主动脉和大血管分割的拓扑感知损失

Jul, 2023

计算机断层扫描图像中主动脉和大血管分割的拓扑感知损失

Topology-Aware Loss for Aorta and Great Vessel Segmentation in Computed Tomography Images

Seher Ozcelik, Sinan Unver, Ilke Ali Gurses, Rustu Turkay, Cigdem Gunduz-Demir

TL;DR本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

Abstract

segmentation networks are not explicitly imposed to learn global invariants of an image, such as the shape of an object and the geometry between multiple objects, when they are trained with a standard loss functi

segmentation networks global invariants topology-aware loss function persistent homology computed tomography

发现论文，激发创造

基于持久同调的拓扑损失函数用于心脏 MRI 多类别 CNN 分割

通过持续同源性，在所有可能的标签和标签对的基础上，构建拓扑损失函数，提高对于全局特征的分割性能，解决了数据集中的所有拓扑错误。

Aug, 2020

面向拓扑感知的三维图像分割焦点损失

本文研究如何解决分割算法中的拓扑错误问题，介绍了一种新的损失函数 topology-aware Focal Loss（TAFL），该函数结合传统的 Focal Loss 和基于 Wasserstein 距离的拓扑约束项，利用坐标空间上两张图之间最优运输计划来度量真实标签和预测分割结果之间的拓扑差异，经验证实验，该方法在 MICCAI Brain Tumor Segmentation 数据集上行之有效。

Apr, 2023

基于持续同调的深度学习图像分割的拓扑损失函数

提出了一种使用持久同调来训练神经网络在图像和体积分割中实现拓扑先验知识的方法，不需要地面真实标签，通过三个实验展示了该方法的有效性，将这种显式先验知识嵌入到神经网络分割任务中是最有益的。

Oct, 2019

保持拓扑结构的深度图像分割

我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。

Jun, 2019

医学图像中基于拓扑准确的多类别分割

提出了一种通用的损失函数，用于在多类别分割中实现拓扑准确性，并通过在持久性条码上引入匹配概念进行优化，将多类别分割问题转化为单类别分割任务，从而实现了神经网络的快速训练，并在四个医学数据集上验证了该方法的有效性。

Mar, 2024

针对导管和导丝分割的形状敏感损失

我们引入了一种对导管和导丝进行形状敏感的损失函数，并将其应用于视觉转换网络中，在大规模 X 射线图像数据集上取得了最新的研究成果。我们将网络预测和相应的真值转换为有符号距离图，从而使任何网络能够集中精力处理关键的边界而不仅限于整体轮廓。通过计算这些特征向量之间的余弦相似度，我们对图像相似性有了更细致的理解，超越了传统基于重叠度的测量方法的局限。我们的方法具有许多优势，包括尺度和平移不变性，以及对微小差异的较好检测，从而确保图像中医疗仪器的准确定位和描述。全面的定量和定性分析证实了相比现有基准的显著性能提升，展示了我们新的形状敏感损失函数在改善导管和导丝分割方面的潜力。

Nov, 2023

基于拓扑损失的级联多任务 U-Net 用于血管分割和中心线提取

本研究提出了一种基于深度学习的方法，用于血管分割和中心线提取，通过嵌入拓扑约束提高了预测结果的准确性。

Jul, 2023

基于骨架方法提高边界分割的拓扑准确性

为了提高分割结果的拓扑准确性，本文提出了一种新的损失函数 Skea-Topo Aware Loss，它考虑了每个对象的形状和像素的拓扑重要性，包括基于骨架的加权损失和基于边界修正的拓扑关键像素识别，实验证明我们的方法在三个不同的边界分割数据集上相比 13 种最先进的方法，通过客观和主观评估，提高了最多 7 个 VI 点的拓扑一致性。

Apr, 2024

骨架召回损失用于细管状结构连通性保持和资源高效分割

提出了一种新的骨架召回损失，通过绕过昂贵的 GPU 计算，采用廉价的 CPU 操作，解决了薄结构分割中的计算和内存负担问题，并在保持拓扑性方面表现出卓越性能。

Apr, 2024

使用深度完全卷积网络在 CT 扫描中分割主动脉血管树

采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

May, 2023