面向多类医学图像分割的自适应 t-vMF Dice 损失
图像与视频处理
2022-07-19 v1
摘要
Dice 损失被广泛用于医学图像分割，并且已经提出了许多基于该损失的改进损失函数。然而，Dice 损失的进一步改进仍是可能的。在本研究中，我们重新思考了 Dice 损失的使用，并通过简单的等式变换发现 Dice 损失可利用余弦相似度重写于损失函数中。利用这一认识，我们提出了一种基于 t-vMF 相似度而非余弦相似度的新型 t-vMF Dice 损失。基于 t-vMF 相似度，我们所提出的 Dice 损失被表述为一种比原始 Dice 损失更紧凑的相似度损失函数。此外，我们提出了一种有效算法，利用验证精度自动确定 t-vMF 相似度的参数 ，称为自适应 t-vMF Dice 损失。使用该算法，可以对简单类别应用更紧凑的相似度，对困难类别应用更宽泛的相似度，从而能够基于类别的精度实现自适应训练。通过在四个数据集上使用五折交叉验证进行实验，我们确认与原始 Dice 损失及其他损失函数相比，Dice 系数（DSC）得到了进一步提升。
引用
@article{arxiv.2207.07842,
title = {Adaptive t-vMF Dice Loss for Multi-class Medical Image Segmentation},
author = {Sota Kato and Kazuhiro Hotta},
journal= {arXiv preprint arXiv:2207.07842},
year = {2022}
}