针对高度不平衡目标尺寸的带指数对数损失的3D分割
计算机视觉与模式识别
2018-09-26 v2
摘要
随着全卷积神经网络的引入，深度学习在医学图像分割的速度与精度上提升了基准，并且针对2D和3D分割已提出不同网络并取得了有前景的结果。然而，大多数网络仅处理相对较少的标签数量（<10），且关于处理高度不平衡目标尺寸的工作非常有限，尤其是在3D分割中。本文中，我们提出一种网络架构及相应的损失函数，以改善对极小结构的分割。通过结合跳跃连接与深度监督，并顾及3D分割的计算可行性，我们提出了一种快速收敛且计算高效的网络架构以实现精确分割。此外，受focal loss概念的启发，我们提出一种指数对数损失，其不仅依据标签的相对尺寸，还依据其分割难度来平衡标签。我们在具有20个标签的脑分割上取得了82%的平均Dice系数，其中最小与最大目标尺寸之比仅为0.14%。达到该精度所需训练轮数少于100 epoch，且分割一个128x128x128体素仅需约0.4 s。
引用
@article{arxiv.1809.00076,
title = {3D Segmentation with Exponential Logarithmic Loss for Highly Unbalanced Object Sizes},
author = {Ken C. L. Wong and Mehdi Moradi and Hui Tang and Tanveer Syeda-Mahmood},
journal= {arXiv preprint arXiv:1809.00076},
year = {2018}
}
备注
Accepted by the International Conference on Medical Image Computing and Computer-Assisted Intervention - MICCAI 2018 (oral presentation, acceptance rate 4%)