驾驶场景理解任务涉及检测车道、交通标志和交通信号灯等静态元素及其相互关系。为了促进使用多视角相机开发全面的场景理解解决方案，一个名为“道路基因组”（OpenLane-V2）的新数据集已发布。该数据集允许探索复杂的道路连接以及车道标线可能缺失的情况。与传统使用车道标线的方法不同，该数据集中的车道由中心线表示，这为车道及其连接提供了更为合适的描述方式。在本研究中，我们提出了一种新的方法——TopoMask，用于预测道路拓扑中的中心线。与现有文献中依赖关键点或参数化方法的方案不同，TopoMask采用基于实例掩码的公式，并结合了基于 Transformer 的架构。为了丰富掩码实例中的流信息，提出了方向标签表示法。在2023年OpenLane拓扑挑战赛中，TopoMask在OpenLane-V2评分（OLS）中排名第四，在中心线预测的F1评分中排名第二。与当前最先进的方法TopoNet相比，所提出的方法在基于Frechet距离的车道检测中实现了类似的性能，并且在基于Chamfer距离的车道检测中超越了TopoNet，而无需使用其场景图神经网络。