自深度学习兴起以来，已迅速提出了新的医学图像分割方法，并显示出有希望的结果，每一种都报告了在之前最先进的方法上的微小改进。但在视觉检查中，经常会发现错误，例如拓扑错误（例如洞或折叠），这些错误在使用传统的评估指标（如Dice）时并未被检测出来。此外，正确的拓扑结构在确保分割在解剖和病理上都是合理的，最终适用于下游图像处理任务方面往往是必要的。因此，有必要关注确保预测的分割在拓扑上是正确的，而不仅仅是优化像素级的准确性。在这篇论文中，我提出了一种利用解剖学先验知识进行结构分割的方法，同时保持已知的拓扑结构。

所提出的模型，即拓扑鼓励变形分割网络（TEDS-Net），通过变形与感兴趣的解剖学特性相同的先前形状来执行分割，使用学到的保持拓扑的变形场。然而，我在这里展示这样的领域只能在连续域中保证拓扑保持，当应用在离散空间时，其性质开始崩溃。为了克服这种效果，我在TEDS-Net中引入了额外的修改，以更严格地强制拓扑保持，这一步骤在以前的工作中经常被忽视。

在这篇论文中，TEDS-Net被应用于一系列自然和医学图像分割任务。我展示了它如何用于多种拓扑类型、多种结构以及二维和三维。进一步，我展示了如何使用最少注释的训练数据来使用TEDS-Net分割整个体积。在这些实验中，TEDS-Net在拓扑上都优于所有的SOTA基线，同时保持有竞争力的像素级准确性。 最后，TEDS-Net被整合到整个医学成像流水线中，以说明在下游任务中拓扑正确分割的重要性。TEDS-Net用于分割3D宫内胎儿脑超声扫描中的发育中的皮质板，以使其能够描述在妊娠期间的复杂生长和发展。据我所知，此任务以前只在磁共振成像（MRI）中尝试过，尽管超声是产前护理中的首选模式。这可能是由于大型声学阴影阻挡了超声中的关键脑区域。由于TEDS-Net的解剖限制，它可以在阴影区域解剖指导皮质板分割，产生一个完整的分割，从而实现准确的下游分析。

这是一个大致的翻译，涵盖了原文的核心意思。对于专业论文或出版用途，建议进一步校对和细化这段翻译以确保准确性和流畅性。