摘要由 AI 生成
研究人员在猕猴示踪组织学纤维束分割任务中，对比了基于 DINOv3 基础模型特征的拓扑感知损失函数（Betti matching、Topograph）与常规损失函数（BCE-Dice、clDice）的性能。实验结果显示，BCE-Dice 获得最高 Dice 系数；而 Topograph 在保持相似 Dice 的同时实现了最低的$eta_0$误差和更少的假阳性。研究引入 Excess32 空间诊断指标量化预测像素超出标注带外的情况，验证表明 Betti-Topograph 组合虽将稀疏纤维束的召回率（TPR）从 0.818 提升至 0.933，但导致假发现率（FDR）、Excess32 及面积比恶化。研究指出传统检测规则无法捕捉过度分割问题，证明仅依赖检测指标不足以表征分割质量。
关键实体KEY ENTITIES
BCE-DiceDINOv3TopographarXivclDice
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- arXiv1
- DINOv31
- BCE-Dice1
- clDice1
- Topograph1
全部报道（1）SOURCES
↗
研究人员在猕猴示踪组织学纤维束分割任务中，首次探索了基于 DINOv3 基础模型特征的拓扑感知损失函数（Betti matching、Topograph）与常规损失函数（BCE-Dice、clDice）的性能对比。实验结果显示，BCE-Dice 获得最高 Dice 系数，而 Topograph 在保持相似 Dice 的同时实现了最低的$\beta_0$误差和更少的假阳性。研究指出传统检测规则无法捕捉过度分割问题，并引入 Excess32 空间诊断指标量化预测像素超出标注带外的情况。验证表明，Betti-Topograph 组合虽将稀疏纤维束的 TPR 从 0.818 提升至 0.933，但导致 FDR、Excess32 及面积比恶化，证明仅依赖检测指标不足以表征分割质量。