如何在分割中保持拓撲不變

文章《TEDS-Net: Enforcing Diffeomorphisms in Spatial Transformers to Guarantee Topology Preservation in Segmentations》讀書筆記

在空間變換中加強微分同胚可以保證分割中的拓撲不變

對于重要的解剖學分割來說，精确的拓撲是很關鍵的，但是在傳統的深度學習算法中這一點經常會被忽略。文章提出了TEDS-Net，一個能保證精确拓撲結構的分割方法。

實際上，很多微分同胚場的表示方法（例如線性插值）因為使用有限的參數和采樣，會破壞微分同胚的理論假設。在這裡我們會引入額外的修正來保證更嚴格的微分同胚變換。

我們提出的網絡TEDS-Net會學習如何利用期待的托盤特征來對一個二值先驗mask進行變換，以完成分割任務。在一個開源2D心髒資料集上進行心肌分割的驗證，相比于UNet 90%的拓撲不變的準确率，TEDS-Net在100%拓撲不變的情況下，不會損失Hausdorff Distance或者dice。