80、多类医学图像分割中的拓扑交互学习

多类医学图像分割中的拓扑交互学习

1. 引言

深度学习方法在多类医学图像分割中取得了令人瞩目的成绩。然而，它们在编码不同类别之间的拓扑交互（如包含和排斥）方面能力有限。这些约束在生物医学图像中自然存在，对提高分割质量至关重要。

在医学图像分割里，标准的深度神经网络难以学习关于语义标签的全局结构约束。例如，在腹部主动脉分割中，主动脉壁总是包裹着管腔，利用这一约束能帮助正确分割血管壁，为预测主动脉瘤破裂风险提供准确的几何测量。另外，不同标签的相互排斥也是一种全局约束，比如在多器官分割中，确保不同器官不相互接触能提升分割质量。

传统方法将分割问题视为组合优化问题，把拓扑交互编码为解决方案的约束，但这些方法不适用于深度神经网络，因为深度网络的推理不依赖全局优化。即使将约束优化作为后处理步骤，效率也很低，且该优化不可微，无法融入训练。

本文提出了一种新方法，通过一个基于卷积操作的拓扑交互模块，将拓扑交互约束编码到深度神经网络中。该模块能直接识别违反约束的位置，效率极高，还能自然地融入神经网络训练。通过在不同数据集和模态上的实验验证，该方法具有通用性，能显著提高分割质量。具体贡献如下：
- 提出了一种基于卷积的高效模块，用于在多类分割场景中编码拓扑交互。
- 该模块高效且通用，可融入任何骨干网络，在端到端训练管道中编码约束。
- 通过大量医学图像数据集实验，证明该方法能有效提高分割质量，且不增加计算成本。

2. 相关工作

• 多类图像分割 ：在深度学习之前，人们提出了许多基于图或能量的方法来处理多类图像分割。一些方法整合了模糊空间关系或通过对象间距离编