高品質な画像分割へ向けて: 隣接ピクセルをペナルティ化することでトポロジー精度を向上させる

要旨: 標準的な深層学習モデルは画像分割におけるトポロジーの正確性を保証できず、連結成分の正確な数や構造を保持できません。これにより、セグメンテーションの品質に影響を与え、後続の定量分析の信頼性を損ないます。従来の研究では、トポロジーの正確性を高めるために、特殊なフレームワークやアーキテクチャ、損失関数を提案してきました。しかし、これらの手法は既存のトレーニングパイプラインへ統合するのが煩雑であることが多く、計算コストが非常に高いか、円筒状の形態を持つ構造に限定されることが多いです。私たちは SCNP を提示します。これは、最も分類が不正確な隣接ピクセルのロジットをペナルティ化することでトポロジーの正確性を向上させ、ピクセル自体の予測を改善させる前に、ピクセルの隣接箇所の予測を改善させることをモデルに強制します。SCNP の有効性を、異なる構造形態と画像モダリティをカバーする13 のデータセットで示し、セマンティック分割およびインスタンス分割の3つのフレームワークに統合しています。さらに、SCNP を複数の損失関数に組み込むことで、それらのトポロジーの正確性を改善できることを示します。私たちのコードは https://jmlipman.github.io/SCNP-SameClassNeighborPenalization にあります。