지속성 이미지를 활용하여 곡선 구조 분할의 견고성과 성능 향상

Leveraging Persistence Image to Enhance Robustness and Performance in Curvilinear Structure Segmentation

의료 영상에서 곡선 구조를 분할하는 것은 임상 응용 분야에서 형태학적 패턴을 분석하는 데 필수적입니다. 연결성과 같은 위상적 특성을 통합하면 분할 정확도와 일관성을 향상시킬 수 있습니다. 그러나 특히 지속성 다이어그램(PD)에서 이러한 특성을 추출하고 임베딩하는 것은 미분 불가능성과 계산 비용으로 인해 어렵습니다. 기존 접근 방식은 주로 수동으로 설계된 손실 함수를 통해 위상을 인코딩하는데, 이는 작업 간 일반화 성능이 좋지 않습니다. 본 논문에서는 데이터로부터 직접 지속성 이미지(PI)를 학습하는 간단하면서도 효과적인 모듈인 PIs-Regressor를 제안합니다. Topology SegNet은 이러한 특징을 다운샘플링 및 업샘플링 단계 모두에서 융합하여 네트워크 아키텍처 자체에 위상을 통합합니다. 기존 방법이 수동으로 설계된 손실 함수에 크게 의존하는 것과는 달리, 우리 접근 방식은 위상 정보를 네트워크 구조에 직접 통합하여 더 강력한 분할을 가능하게 합니다. 설계는 유연하며 다른 위상 기반 방법과 원활하게 결합되어 분할 성능을 더욱 향상시킬 수 있습니다. 실험 결과는 위상적 특징을 통합하면 모델의 견고성이 향상되어 의료 영상에서 과다 노출 및 흐림과 같은 문제를 효과적으로 처리할 수 있음을 보여줍니다. 세 가지 곡선 구조 벤치마크에서 수행한 실험은 픽셀 수준 정확도와 위상적 충실도 모두에서 최첨단 성능을 달성했습니다.

Segmenting curvilinear structures in medical images is essential for analyzing morphological patterns in clinical applications. Integrating topological properties, such as connectivity, improves segmentation accuracy and consistency. However, extracting and embedding such properties - especially from Persistence Diagrams (PD) - is challenging due to their non-differentiability and computational cost. Existing approaches mostly encode topology through handcrafted loss functions, which generalize poorly across tasks. In this paper, we propose PIs-Regressor, a simple yet effective module that learns persistence image (PI) - finite, differentiable representations of topological features - directly from data. Together with Topology SegNet, which fuses these features in both downsampling and upsampling stages, our framework integrates topology into the network architecture itself rather than auxiliary losses. Unlike existing methods that depend heavily on handcrafted loss functions, our approach directly incorporates topological information into the network structure, leading to more robust segmentation. Our design is flexible and can be seamlessly combined with other topology-based methods to further enhance segmentation performance. Experimental results show that integrating topological features enhances model robustness, effectively handling challenges like overexposure and blurring in medical imaging. Our approach on three curvilinear benchmarks demonstrate state-of-the-art performance in both pixel-level accuracy and topological fidelity.