clDice-一种新的分割标准-能够促进管状结构分割的连接性

这篇具有很好参考价值的文章主要介绍了clDice-一种新的分割标准-能够促进管状结构分割的连接性。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

clDice-a Novel Topology-Preserving Loss Function for Tubular StructureSegmentation论文总结

论文:clDice-A Novel Topology-Preserving Loss Function for Tubular Structure

源码:GitHub - jocpae/clDice

目录

一、论文背景和出发点

二、创新点

三、clDice指标

四、clDice的拓扑保证

五、使用clDice训练神经网络

六、Cost函数

七、实验

八、结论

九、代码实现cldice指标


一、论文背景和出发点

精确分割管状网络状结构,如血管、神经元或道路时,拓扑结构的连通性十分重要,在血管网络的情况下,错过连接的血管会完全改变血流动力学,为了评估这种管状网络结构中的分割,传统的基于体积的性能指标不是最优的。在类似网络拓扑提取的任务中,空间连续的正确体素预测序列比空间体积的正确预测更有意义

因此本文提出了一种新的相似性度量系数,称为中心线Dice(short-clDice),它是在分割掩模及其(形态学)骨架的截面上计算的

clDice-一种新的分割标准-能够促进管状结构分割的连接性

由上图可见,对于传统dice,这两种不同模型的训练效果达到了相同的数值,可见对于传统dice而言,评价分割管状网络的拓扑结构并不是最优的选择

二、创新点

作者提出了一种新的连接感知相似性度量clDice,用于基准管状分割算法。作者展示了各种2D和3D网络分割任务的实验结果,以证明提出的相似性测度和损失函数的实际应用性。

三、clDice指标

通过观察,在测量拓扑精度易受假阳性影响,而测量拓扑灵敏度易受假阴性影响。由于希望最大限度地提高精度和灵敏度(recall),于是将clDice定义为两个度量的调和均值(也称之为F1)。

1. Tprec:计算骨架、的分数

Tprec(,):计算骨架的分数,即拓扑精度

Tprec(,):计算骨架的分数,即拓扑灵敏度。对应算子公式如下:

clDice-一种新的分割标准-能够促进管状结构分割的连接性

其中,为真值mask,预测分割mask,为从中提取骨架,为从中提取骨架。

2. clDice:计算拓扑精度和拓扑灵敏度的调和均值

cldice算子公式如下:

clDice-一种新的分割标准-能够促进管状结构分割的连接性

其中,Tprec(,)为拓扑精度,Tprec(,)为拓扑灵敏度。

cldice是参考F1公式推导而成

clDice-一种新的分割标准-能够促进管状结构分割的连接性

四、clDice的拓扑保证(推理证明)

拓扑保持:某些已存在嵌套包含了对前景和背景的同构等价的暗示,我们称之为拓扑保持。

定理1(同伦等价:设和是某些单元复合体的连通子复合体。假设上述包含是同伦等价。如果子复形也通过包含和相关,则这些包含也必须是同伦等价。特别地,A和B是同伦等价的。

推论1:设和是两个二进制掩码都包含前景和背景骨架,的前景骨架包含在的前景中,反之亦然,背景也类似。那么和的前景是同伦等价的,它们的背景也是同伦等价的。

clDice的拓扑保证

当且仅当clDice在()的前景和背景上的计算结果均为1时,才满足此推论1中的包含条件

也就是说,clDice能够证明真值和预测掩码之间的是否具有同伦等价关系,推论出clDice能证明预测掩码是否具有和真值一样的拓扑连接性

这个证明为clDice作为拓扑保持度量的一般解释奠定了基础。

五、使用clDice训练神经网络

1. 软骨架化(Soft-skeletonization)

目的为了精确地从mask中提取骨架

原理:在曲线结构上使用形态学操作(骨架化)进行细化可以保持拓扑结构。最小和最大过滤器(filters)通常用作形态膨胀和腐蚀的灰度替代方案

方法:提出了“软骨架化”,其中应用迭代最小和最大池化作为形态侵蚀和扩张。算法1如下,描述了其计算中涉及的迭代过程

clDice-一种新的分割标准-能够促进管状结构分割的连接性

其中,算法1中涉及的超参数k表示迭代次数,必须大于或等于最大观测半径。

软骨骼化的详细步骤如下

在早期迭代中,半径较小的结构被骨架化并保留,直到后来的迭代中,较厚的结构变为骨架化。这使得能够提取无参数的,被形态驱动的软骨骼。

clDice-一种新的分割标准-能够促进管状结构分割的连接性

算法2描述了它的实现。我们称之为soft-clDice。如下图所示:

clDice-一种新的分割标准-能够促进管状结构分割的连接性

其中,是来自分段网络的实值概率预测,是真值掩码,表示Hadamard乘积

六、Cost函数

目的:实现精确分割的同时,保留拓扑结构。

方法:将soft-clDice与soft-Dice结合,得到。对应公式如下:

clDice-一种新的分割标准-能够促进管状结构分割的连接性

其中。

soft-cldice能够分割不错的拓扑结构,soft-dice能够分割不错的空间结构,二者结合。

七、实验

数据集:DRIVE(2D视网膜)、CREMI(3D神经元)。

网络:2D、3D U-Net 和2D、3D FCN。

评估指标:Dice、Accuracy、clDice。

clDice-一种新的分割标准-能够促进管状结构分割的连接性

由上图可见,在多种不同的数据集不同的网络中,在中使用soft-cldice训练与soft-dice相比,可以提高Accuracy分数。由此可见soft-cldice指数可以有效的提高分割的精确度。

八、结论

本文介绍了一种新的用于管状结构分割的拓扑保持相似性度量cl-Dice。本文提供了一个理论保证,即clDice同伦等价证明。接下来,在损失函数中使用clDice的可微版本,即soft-clDice,来训练最先进的2D和3D神经网络。我们发现,在soft-clDice上进行训练可以实现具有更准确的连接信息、更好的图相似性、更好的欧拉特性以及改进的Dice和准确性的分割。soft-clDice在计算上是高效的,可以很容易地部署到任何其他基于深度学习的分割任务中,例如生物医学成像中的神经元分割,工业质量控制中的裂纹检测或遥感。

九、代码实现cldice指标

cldice.py

import torch
import torch.nn as nn
from soft_skeleton import soft_skel


class soft_cldice(nn.Module):
    def __init__(self, iter_=3, smooth = 1.):
        super(soft_cldice, self).__init__()
        self.iter = iter_
        self.smooth = smooth

    def forward(self, y_true, y_pred):
        skel_pred = soft_skel(y_pred, self.iter)
        skel_true = soft_skel(y_true, self.iter)
        tprec = (torch.sum(torch.multiply(skel_pred, y_true)[:,1:,...])+self.smooth)/(torch.sum(skel_pred[:,1:,...])+smooth)
        tsens = (torch.sum(torch.multiply(skel_true, y_pred)[:,1:,...])+self.smooth)/(torch.sum(skel_true[:,1:,...])+smooth)
        cl_dice = 1.- 2.0*(tprec*tsens)/(tprec+tsens)
        return cl_dice


def soft_dice(y_true, y_pred):
    """[function to compute dice loss]

    Args:
        y_true ([float32]): [ground truth image]
        y_pred ([float32]): [predicted image]

    Returns:
        [float32]: [loss value]
    """
    smooth = 1
    intersection = torch.sum((y_true * y_pred)[:,1:,...])
    coeff = (2. *  intersection + smooth) / (torch.sum(y_true[:,1:,...]) + torch.sum(y_pred[:,1:,...]) + smooth)
    return (1. - coeff)


class soft_dice_cldice(nn.Module):
    def __init__(self, iter_=3, alpha=0.5, smooth = 1.):
        super(soft_cldice, self).__init__()
        self.iter = iter_
        self.smooth = smooth
        self.alpha = alpha

    def forward(self, y_true, y_pred):
        dice = soft_dice(y_true, y_pred)
        skel_pred = soft_skel(y_pred, self.iter)
        skel_true = soft_skel(y_true, self.iter)
        tprec = (torch.sum(torch.multiply(skel_pred, y_true)[:,1:,...])+self.smooth)/(torch.sum(skel_pred[:,1:,...])+self.smooth)    
        tsens = (torch.sum(torch.multiply(skel_true, y_pred)[:,1:,...])+self.smooth)/(torch.sum(skel_true[:,1:,...])+self.smooth)    
        cl_dice = 1.- 2.0*(tprec*tsens)/(tprec+tsens)
        return (1.0-self.alpha)*dice+self.alpha*cl_dice

 soft_skeleton.py文章来源地址https://www.toymoban.com/news/detail-490135.html

import torch
import torch.nn as nn
import torch.nn.functional as F


def soft_erode(img):
    if len(img.shape)==4:
        p1 = -F.max_pool2d(-img, (3,1), (1,1), (1,0))
        p2 = -F.max_pool2d(-img, (1,3), (1,1), (0,1))
        return torch.min(p1,p2)
    elif len(img.shape)==5:
        p1 = -F.max_pool3d(-img,(3,1,1),(1,1,1),(1,0,0))
        p2 = -F.max_pool3d(-img,(1,3,1),(1,1,1),(0,1,0))
        p3 = -F.max_pool3d(-img,(1,1,3),(1,1,1),(0,0,1))
        return torch.min(torch.min(p1, p2), p3)


def soft_dilate(img):
    if len(img.shape)==4:
        return F.max_pool2d(img, (3,3), (1,1), (1,1))
    elif len(img.shape)==5:
        return F.max_pool3d(img,(3,3,3),(1,1,1),(1,1,1))


def soft_open(img):
    return soft_dilate(soft_erode(img))


def soft_skel(img, iter_):
    img1  =  soft_open(img)
    skel  =  F.relu(img-img1)
    for j in range(iter_):
        img  =  soft_erode(img)
        img1  =  soft_open(img)
        delta  =  F.relu(img-img1)
        skel  =  skel +  F.relu(delta-skel*delta)
    return skel

到了这里,关于clDice-一种新的分割标准-能够促进管状结构分割的连接性的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包