面向高度不平衡分割的边界损失
图像与视频处理
2020-10-20 v4 计算机视觉与模式识别
摘要
广泛用于CNN分割的损失函数，例如Dice或交叉熵，都是基于分割区域上的积分。遗憾的是，对于高度不平衡的分割，这类区域求和在不同类别间的值相差数个数量级，从而影响训练性能与稳定性。我们提出了一种边界损失，其形式为轮廓空间（而非区域空间）上的距离度量。这可以缓解高度不平衡问题的困难，因为它使用区域间界面的积分，而非不平衡的区域积分。此外，边界损失可补充区域信息。受基于图的主动轮廓流优化技术启发，我们将轮廓空间上的非对称距离表示为区域积分，从而完全避免涉及轮廓点的局部微分计算。由此得到一种以网络区域softmax概率输出表达的边界损失，可轻松与标准区域损失结合，并以任意现有深度网络架构实现N维分割。我们报告了在不同不平衡问题上的综合评估与对比，表明我们的边界损失在提升性能的同时改善了训练稳定性。我们的代码已公开：https://github.com/LIVIAETS/surface-loss 。
引用
@article{arxiv.1812.07032,
title = {Boundary loss for highly unbalanced segmentation},
author = {Hoel Kervadec and Jihene Bouchtiba and Christian Desrosiers and Eric Granger and Jose Dolz and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1812.07032},
year = {2020}
}
备注
Runner-up for best paper award at MIDL 2019 [PMLR 102:285-296], invited for MedIA deep learning special issue (Volume 67, January 2021)