用于高度不平衡医学图像分割的非对称损失函数与深度密集连接网络：在多发性硬化病灶检测中的应用
计算机视觉与模式识别
2018-12-17 v4
摘要
全卷积深度神经网络被断言为图像分割中快速且精确的框架，具有巨大潜力。训练此类网络的主要挑战之一在于数据不平衡，这在许多医学成像应用中很常见，例如病灶分割，其中病灶类体素的数量通常远低于非病灶体素。使用不平衡数据训练的网络可能会做出高精度低召回率的预测，严重偏向非病灶类，这在大多数假阴性比假阳性更重要的医学应用中尤为不妥。已有多种方法被提出以解决此问题，最近的有相似性损失函数和 focal loss。在本工作中，我们使用非对称相似性损失函数训练全卷积深度神经网络，以缓解数据不平衡问题，并在精度和召回率之间取得更好的折中。为此，我们开发了一个以大重叠图像块作为输入的 3D FC-DenseNet，以及一个基于 Tversky index（使用 分数）的非对称相似性损失层。我们使用大重叠图像块作为输入进行内在和外在数据增强，采用图像块选择算法，以及使用 B 样条加权软投票的图像块预测融合策略，以考虑图像块边界处预测的不确定性。我们将此方法应用于基于 MSSEG 和 ISBI 纵向 MS 病灶分割挑战这两个不同数据集的 MS 病灶分割，在两项挑战中均取得了顶尖性能。我们用 focal loss 训练的网络根据 ISBI 挑战的总分排名第一，并且在所有提交的方法中导致了最低的报告病灶假阳性率。我们用非对称相似性损失训练的网络导致了最低的表面距离和最佳病灶真阳性率。
引用
@article{arxiv.1803.11078,
title = {Asymmetric Loss Functions and Deep Densely Connected Networks for Highly Imbalanced Medical Image Segmentation: Application to Multiple Sclerosis Lesion Detection},
author = {Seyed Raein Hashemi and Seyed Sadegh Mohseni Salehi and Deniz Erdogmus and Sanjay P. Prabhu and Simon K. Warfield and Ali Gholipour},
journal= {arXiv preprint arXiv:1803.11078},
year = {2018}
}
备注
IEEE Access