SEAL-Flow：用于拓扑一致医学图像分割的连续时间流匹配方法

《Knowledge-Based Systems》：SEAL-Flow: Continuous-time flow matching for topologically consistent medical image segmentation

　　

Houchen Lyu|Shanshan Wan

摘要

近年来，生成式医学图像分割技术的发展使得对模糊的解剖结构和病理结构进行概率建模成为可能。然而，现有方法在对比度低且场景复杂的条件下仍存在结构上的不可靠性，常常出现前景泄漏、粘连导致的合并以及不稳定的轮廓问题。我们提出了SEAL-Flow这一结构上更为可靠的生成框架，该框架将掩码表示为有符号距离场，并通过条件流匹配学习条件传输动力学。SEAL-Flow通过三个针对具体问题的组件来解决这些缺陷：概率布局约束以抑制由纹理引起的泄漏，拓扑感知的窄间隙约束以减少相邻实例之间的错误连接，以及基于椭圆傅里叶描述符的多频率轮廓正则化处理，以此稳定零水平集并提升边界平滑度。综上，这些设计提升了布局的可靠性、实例的可分离性以及轮廓的一致性，同时保留了基于流的分割方法的概率建模能力。在MoNuSeg和CVC-EndoSceneStill数据集上的实验表明，SEAL-Flow的性能优于各类典型的判别式和生成式方法。与各数据集中表现最优秀的竞争方法相比，SEAL-Flow的mIoU值分别提高了最多4.2个百分点和2.9个百分点，HD95值则降低了最多66.2%。定性分析和消融实验进一步证明，SEAL-Flow能够有效减少泄漏、粘连和边界不稳定性，从而获得结构上更为一致的分割结果。相关代码已公开发布，地址为：https://github.com/Vaugh3/SEAL-Flow-Continuous-Time-Flow-Matching-for-Topologically-Consistent-Medical-Image-Segmentation。