心脏磁共振(CMR)图像的多类分割,将数据分离为具有已知结构和构型的解剖组分。最流行的基于CNN的方法是使用像素明智的损失函数优化的,对表征解剖结构的空间扩展特征一无所知。因此,尽管与地面真理共享高空间重叠,但推断的基于CNN的分割可能缺乏连贯性,包括伪造的连接组件,孔和空隙。这样的结果令人难以置信,违反了预期的解剖拓扑。作为响应,已经提出了基于持续的同源性损失功能(单级)以捕获全局解剖特征。我们的工作将这些方法扩展到多级分割任务。我们的损失功能构建了所有类标签和类标签对的丰富拓扑描述,我们使用基于CNN的后处理框架可以预测和统计学上的分割拓扑改进。我们还基于立方复合物和并行执行,提出(并提供)高效的实现,这是第一次在高分辨率3D数据中实现实际应用。我们证明了我们在2D短轴和3D全心CMR细分方面的方法,对两个公开可用数据集的性能进行了详细而忠实的分析。
translated by 谷歌翻译