Amélioration de la segmentation de frontière pour une précision topologique avec des méthodes basées sur les squelettes

La cohérence topologique joue un rôle crucial dans la tâche de segmentation de frontière pour les images réticulaires, telles que la segmentation de la membrane cellulaire dans les images électroniques de neurones, la segmentation des frontières de grains dans les images microscopiques de matériaux et la segmentation des routes dans les images aériennes. Dans ces domaines, les changements topologiques dans les résultats de segmentation ont un impact sérieux sur les tâches en aval, qui peuvent même dépasser le désalignement de la frontière elle-même. Pour améliorer la précision topologique dans les résultats de segmentation, nous proposons la perte Skea-Topo Aware, qui est une nouvelle fonction de perte tenant compte de la forme de chaque objet et de la signification topologique des pixels. Elle se compose de deux composants. Premièrement, la perte pondérée sensible au squelette améliore la précision de segmentation en modélisant mieux la géométrie de l'objet avec des squelettes. Deuxièmement, un terme rectifié de frontière identifie et met efficacement en évidence les pixels critiques topologiques dans les erreurs de prédiction en utilisant à la fois des squelettes de premier plan et de fond dans la vérité terrain et les prédictions. Des expériences prouvent que notre méthode améliore la cohérence topologique jusqu'à 7 points en VI par rapport à 13 méthodes à l'état de l'art, sur la base d'évaluations objectives et subjectives à travers trois ensembles de données de segmentation de frontière différents. Le code est disponible sur https://github.com/clovermini/Skeaₜopo.