一种用于减小医学图像分割中 Hausdorff 距离的广义表面损失
图像与视频处理
2024-01-26 v3 计算机视觉与模式识别
机器学习
摘要
在医学图像分割中，Dice 系数和基于 Hausdorff 的度量是深度学习模型成功的标准衡量指标。然而，现代医学图像分割损失函数通常在训练时仅考虑 Dice 系数或类似的基于区域的度量。因此，基于此类损失函数训练的分割架构可能面临 Dice 系数精度高但基于 Hausdorff 的度量精度低的风险。基于 Hausdorff 的度量的低精度在肿瘤分割等应用中会带来问题，这类基准至关重要。例如，高 Dice 分数伴随显著 Hausdorff 误差可能表明预测未能检测到小肿瘤。我们提出广义表面损失函数（Generalized Surface Loss），一种新颖的损失函数，用以最小化基于 Hausdorff 的度量，其相比现有方法具有更优的数值性质，并带有用于处理类别不平衡的加权项。在使用最先进的 nnUNet 架构于 LiTS 和 BraTS 数据集上测试时，我们的损失函数优于其他损失。这些结果表明，借助我们的新颖损失函数可提升医学图像分割精度。
引用
@article{arxiv.2302.03868,
title = {A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation},
author = {Adrian Celaya and Beatrice Riviere and David Fuentes},
journal= {arXiv preprint arXiv:2302.03868},
year = {2024}
}