首探基础模型！猕猴纤维束分割新法：Topograph拓扑误差最低，假阳性更少！
Topology-Aware Training and Spatial Diagnostics for Fiber Bundle Segmentation in Tracer Histology
📖 AI 总结
该研究首次将拓扑感知损失函数与基础模型特征结合，应用于示踪组织学中的纤维束分割任务。作者比较了BCE-Dice、clDice、Betti匹配和Topograph四种方法，发现BCE-Dice的Dice系数最高，clDice的束召回率最高但掩膜重叠较差，而Topograph在Dice上与BCE-Dice相当，且具有最低的β0误差和更少的假阳性。研究还揭示现有基于任意重叠的检测规则无法捕捉过度分割问题，空切片可能虚增每切片真阳性率。为此，作者提出Excess32空间诊断指标，量化预测像素超出标注束周围32像素容差带的数量。验证表明，Betti-Topograph联合虽将稀疏束真阳性率从0.818提升至0.933，但假发现率、Excess32和面积比均显著恶化，证明仅靠检测指标不足以全面评估分割质量。
🔑 关键词速览
| BCE-Dice | 一种结合二元交叉熵和Dice系数的损失函数，用于图像分割任务，平衡像素级和区域级准确性。 |
| clDice | 一种拓扑感知的损失函数，通过计算预测和真实标签的骨架线重叠来评估分割的连通性。 |
| Betti matching | 一种基于拓扑不变量（如Betti数）的损失函数，用于匹配预测和真实标签的拓扑特征。 |
| Topograph | 一种拓扑感知的损失函数，通过比较预测和真实标签的拓扑结构（如连接组件）来优化分割。 |
| Excess32 | 一种空间诊断指标，测量预测像素位于标注束周围32像素容差带之外的比例，用于量化过度分割。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅