도로 균열 분할을 위한 clDice 손실 함수 효과 연구

혈관, 뉴런, 도로 등 관형 네트워크 구조의 정확한 분할은 다양한 연구 분야에서 중요합니다. 이러한 구조에서 위상학적 특성, 특히 연결성 보존은 매우 중요합니다. 예를 들어, 혈관 네트워크에서 연결된 혈관을 놓치면 혈류 역학이 완전히 달라질 수 있습니다. 본 연구에서는 세그멘테이션 마스크와 그 형태학적 골격의 교차점에서 계산되는 새로운 유사도 측정 지표인 CenterlineDice(clDice)를 제안합니다. clDice가 2D 및 3D 이진 분할에서 호모토피 동등성까지 위상 보존을 보장함을 이론적으로 증명합니다. 이를 확장하여, 모든 신경 분할 네트워크 훈련을 위한 계산 효율적이고 미분 가능한 손실 함수(soft-clDice)를 제안합니다. Soft-clDice 손실 함수는 혈관, 도로, 뉴런(2D 및 3D)을 포함한 5가지 공개 데이터셋에서 벤치마킹되었습니다. Soft-clDice로 훈련하면 더 정확한 연결성 정보, 더 높은 그래프 유사성, 그리고 더 나은 체적 점수를 가진 분할 결과를 얻을 수 있음을 확인했습니다. 이 연구는 관형 구조 분할에서 위상학적 정확도를 향상시키는 효과적인 방법을 제시하며, 의료 영상 분석, 자율 주행, 신경 과학 등 다양한 응용 분야에서 정밀한 네트워크 구조 분석에 기여할 수 있습니다.